タグ付けされた質問 「lme4-nlme」

lmerモデルを次のように適合させました（ただし、出力は構成されています）。 Random effects: Groups Name Std.Dev. day:sample (Intercept) 0.09 sample (Intercept) 0.42 Residual 0.023 次の式を使用して、各効果の信頼区間を作成したいと思います。 (n−1)s2χ2α/2,n−1,(n−1)s2χ21−α/2,n−1(n−1)s2χα/2,n−12,(n−1)s2χ1−α/2,n−12 \frac{(n-1)s^2}{\chi^2_{\alpha/2, n-1}},\frac{(n-1)s^2}{\chi^2_{1-\alpha/2,n-1}} 自由度を便利に取得する方法はありますか？

11 lme4-nlme  mixed-model 

私の質問は、どのモデルが双方向反復測定分散分析に対応するかを示したこの応答に基づいていますlme4::lmer。 require(lme4) set.seed(1234) d <- data.frame( y = rnorm(96), subject = factor(rep(1:12, 4)), a = factor(rep(1:2, each=24)), b = factor(rep(rep(1:2, each=12))), c = factor(rep(rep(1:2, each=48)))) # standard two-way repeated measures ANOVA: summary(aov(y~a*b+Error(subject/(a*b)), d[d$c == "1",])) # corresponding lmer call: anova(lmer(y ~ a*b+(1|subject) + (1|a:subject) + (1|b:subject), d[d$c == "1",])) 私の質問は、これを三元配置分散分析の場合に拡張する方法です。 …

11 r  anova  mixed-model  repeated-measures  lme4-nlme 

最近、これらの共変量にタイムラグを導入しないと、時変共変量を縦方向混合モデルに組み込むことはできないと言われました。これを確認/拒否できますか？この状況に関する参考資料はありますか？ 明確にする簡単な状況を提案します。40人の被験者で量的変数（y、x1、x2、x3）の測定（たとえば30回以上）を繰り返したとします。各変数は、アンケートによって各被験者で30回測定されます。ここで、最終的なデータは、40の被験者にネストされた4 800の観測値（4変数X 30機会X 40被験者）になります。 個別にテストしたい（モデル比較用ではない）： 同時（同期）効果：時間tのyに対する時間tのx1、x2、およびx3の影響。 遅延効果：時間tのyに対する時間t-1のx1、x2、x3の影響。 私はすべてが明確であることを望みます（私はネイティブスピーカーではありません！）。 たとえば、R lmer {lme4}では、遅延効果のある式は次のとおりです。 lmer(y ~ lag1.x1 + lag1.x2 + lag1.x3 + (1|subject)) ここで、yは時間tでの従属変数lag1.x1、個々のレベルでの遅れた独立変数x1などです。 同時効果の場合、式は次のとおりです。 lmer(y ~ x1 + x2 + x3 + (1|subject)) すべてが順調に進んでおり、興味深い結果が得られます。しかし、同期時変共変量を含むlmerモデルを指定するのは正しいですか、それとも何か見落としましたか？ 編集： さらに、同時効果と遅延効果の両方を同時にテストすることは可能ですか？、 例えば ： lmer(y ~ x1 + x2 + x3 + lag1.x1 + lag1.x2 + lag1.x3 …

11 r  mixed-model  lme4-nlme 

私は両方lmとの間でlmer繰り返しの測定（2x2x2）でいくつかの相互作用テストを再現しようとしています。両方の方法を比較したいのは、繰り返し測定のSPSSのGLMがlmここに示したアプローチとまったく同じ結果をもたらすため、最後にSPSSとR-lmerを比較したいためです。これまでのところ、私はこれらの相互作用の一部を（密接に）再現することしかできませんでした。 私のポイントをよりよく説明するためのスクリプトを以下に示します。 library(data.table) library(tidyr) library(lmerTest) library(MASS) set.seed(1) N <- 100 # number of subjects sigma <- 1 # popuplation sd rho <- .6 # correlation between variables # X1: a a a a b b b b # X2: a a b b a a b b # X3: a …

10 anova  mixed-model  lme4-nlme  repeated-measures  lm 

私は線形混合モデルからランダム効果予測を手作業で計算しようとしています、そして一般化された加法モデルでウッドによって提供された表記を使用しています：Rの紹介（pdfの294 / pg 307）、私は各パラメーターについて混乱していますを表します。 以下はウッドからの要約です。 線形混合モデルを定義する Y=Xβ+Zb+ϵY=Xβ+Zb+ϵ Y = X\beta + Zb + \epsilon ここで、B N（0、ψ）、及びε 〜 N（0、σ 2）∼∼\simψψ\psiϵ∼ϵ∼\epsilon \simσ2σ2\sigma^{2} bとyが結合正規分布の確率変数である場合 [by]∼N[[0Xβ],[ψΣybΣbyΣθσ2]][by]∼N[[0Xβ],[ψΣbyΣybΣθσ2]]\begin{align*} \begin{bmatrix} b\\ y \end{bmatrix} &\sim N \begin{bmatrix} \begin{bmatrix} 0\\ X\beta \end{bmatrix}\!\!,& \begin{bmatrix} \psi & \Sigma_{by} \\ \Sigma_{yb}& \Sigma_{\theta}\sigma^{2} \end{bmatrix} \end{bmatrix}\\ \end{align*} RE予測は、 E[ b ∣ y]= Σb yΣ− …

10 mixed-model  lme4-nlme 

この投稿に対応するものとして、私は連続変数を使用したデータのシミュレーションに取り組み、相関する切片と勾配を利用しました。 このトピックに関するサイトやサイト外への投稿はたくさんありますが、実際の単純なシナリオに対応するシミュレーションデータを使った最初から最後までの例を見つけるのは困難でした。 したがって、問題は、これらのデータをどのようにシミュレートし、で「テスト」するかlmerです。多くの人にとって新しいものはありませんが、混合モデルを理解するために検索している他の多くの人にとっておそらく有用です。

10 regression  mixed-model  lme4-nlme 

ではlmer内機能lme4でRランダム効果のモデル行列を構築するための呼び出しがあり、、のように説明し、ここ 9 -ページ7。ZZZ 計算には、2つの行列および KhatriRaoおよび/またはKronecker積が伴います。 ZZZJiJiJ_iXiXiX_i マトリックスは一口です：「グループ化因子インデックスのインジケーターマトリックス」ですが、より高い階層レベルに対応するユニット（たとえば、反復測定の対象）を選択するためのダミーコーディングを持つスパースマトリックスのようです。観察。マトリックスが共に「セレクタ」の組み合わせは、マトリックスを生じるように、下位階層での測定のセレクタとして機能するように思われ、形態の以下の例を介して紙に示します：JiJiJ_iXiXiX_iZiZiZ_i (f<-gl(3,2)) [1] 1 1 2 2 3 3 Levels: 1 2 3 (Ji<-t(as(f,Class="sparseMatrix"))) 6 x 3 sparse Matrix of class "dgCMatrix" 1 2 3 [1,] 1 . . [2,] 1 . . [3,] . 1 . [4,] . 1 . [5,] . . …

10 r  mixed-model  lme4-nlme  matrix 

R（lme4パッケージ）の線形混合効果モデルで事後テストを実行しています。私が使用していmultcompたパッケージ（glht()事後テストを実行する機能）。 私の実験計画は、ランダムなブロック効果を伴う反復測定です。モデルは次のように指定されます。 mymod <- lmer(variable ~ treatment * time + (1|block), data = mydata, REML = TRUE) ここにデータを添付するのではなくwarpbreaks、multcompパッケージ内で呼び出されたデータを使用しています。 data <- warpbreaks warpbreaks$rand <- NA 「ブロック」効果を模倣するためにランダム変数を追加しました： warpbreaks$rand <- rep(c("foo", "bar", "bee"), nrow(warpbreaks)/3) これは私のモデルを模倣しています： mod <- lmer(breaks ~ tension * wool + (1|rand), data = warpbreaks) 「追加のMultcompの例-2 Way Anova」の例を知っています。この例では、のレベル内の緊張レベルを比較しますwool。 反対のことをしたい場合はどうなりますか？woolのレベル内のレベルを比較してtensionください （私の場合、これは、時間のレベル（3-6、7、8月）内の処理レベル（2-0、1）を比較することになります。 これを行うために次のコードを考え出しましたが、機能していないようです（以下のエラーメッセージを参照）。 …

10 mixed-model  post-hoc  lsmeans  lme4-nlme 

正の連続であると、およびカテゴリカルであるの3つの変数を考えるyとx、次のz2つの候補モデルが与えられます。 fit.me <- lmer( y ~ 1 + x + ( 1 + x | factor(z) ) ) そして fit.fe <- lm( y ~ 1 + x ) これらのモデルを比較して、どちらのモデルがより適切かを判断したいと思います。ある意味fit.feで内にネストされているように思えますfit.me。通常、この一般的なシナリオが当てはまる場合、カイ2乗検定を実行できます。ではR、次のコマンドでこのテストを実行できます。 anova(fit.fe,fit.me) 両方のモデルに（パッケージlmerから生成されたlme4）ランダム効果が含まれている場合、anova()コマンドは正常に機能します。境界パラメーターがあるため、通常は、結果として得られるカイ2乗統計量をシミュレーションでテストすることをお勧めします。それでも、シミュレーション手順で統計量を使用できます。 両方のモデルに固定効果のみが含まれている場合、このアプローチ---および関連するanova()コマンド---はうまく機能します。 ただし、上記のシナリオのように、1つのモデルにランダム効果が含まれ、削減モデルに固定効果のみが含まれる場合、anova()コマンドは機能しません。 具体的には、次のエラーが発生します。 > anova(fit.fe, fit.me) Error: $ operator not defined for this S4 class 上から（シミュレーションで）カイ二乗アプローチを使用することに問題はありますか？あるいは、これは単に、anova()さまざまな関数によって生成された線形モデルを処理する方法を知らないという問題ですか？ 言い換えれば、モデルから導出されたカイ2乗統計量を手動で生成することが適切でしょうか？もしそうなら、これらのモデルを比較するための適切な自由度は何ですか？私の計算で： F= （（SSER …

10 r  hypothesis-testing  mixed-model  lme4-nlme 

私は、次のモデル持っているm_plot装備lme4::lmerの参加者のために渡ったランダム効果（とlfdn（）と項目をcontent）： Random effects: Groups Name Variance Std.Dev. Corr lfdn (Intercept) 172.173 13.121 role1 62.351 7.896 0.03 inference1 24.640 4.964 0.08 -0.30 inference2 52.366 7.236 -0.05 0.17 -0.83 inference3 21.295 4.615 -0.03 0.22 0.86 -0.77 content (Intercept) 23.872 4.886 role1 2.497 1.580 -1.00 inference1 18.929 4.351 0.52 -0.52 inference2 14.716 3.836 …

10 mixed-model  lme4-nlme  intraclass-correlation 

（ライブラリlmerから使用する）マルチレベルモデルをトレーニングするために指定する必要がある式は、lme4 R常に私にわかります。私は無数の教科書やチュートリアルを読みましたが、それを適切に理解したことがありません。 だからここに私が方程式に定式化して欲しいこのチュートリアルの例があります。さまざまなシナリオでの性別（女性は一般的に男性よりもピッチの高い声を持っています）と人の態度（丁寧に答えたかどうかにかかわらず）の関数として音声周波数をモデル化しようとしています。また、subjectコラムからわかるように、一人一人が数回測定を受けました。 > head(politeness, n=20) subject gender scenario attitude frequency 1 F1 F 1 pol 213.3 2 F1 F 1 inf 204.5 3 F1 F 2 pol 285.1 4 F1 F 2 inf 259.7 5 F1 F 3 pol 203.9 6 F1 F 3 inf 286.9 7 F1 F …

10 r  multilevel-analysis  lme4-nlme 

Rでの反応時間実験の結果を分析しています。 私は反復測定ANOVAを実行しました（2レベルの被験者内因子1つと2レベルの被験者間因子1つ）。私は同様の線形混合モデルを実行し、lmerの結果をを使用してANOVA表の形式で要約したいと思いましたlmerTest::anova。 誤解しないでください。同じ結果になるとは思っていませんでしたが、結果の自由度についてはわかりませんlmerTest::anova。それは、主題レベルでの集約のない分散分析を反映しているように思えます。 混合効果モデルの自由度を計算するのは難しいことを私は知っていlmerTest::anovaますが、更新されたものの1つの可能な解決策として言及されています?pvaluesトピック（lme4パッケージ）ます。 この計算は正しいですか？の結果はlmerTest::anova指定されたモデルを正しく反映していますか？ アップデート：個人差を大きくしました。の自由度はlmerTest::anova単純なanovaとは異なりますが、なぜ被験者内因子/相互作用に対してそれらがそれほど大きいのかはまだわかりません。 # mini example with ANT dataset from ez package library(ez); library(lme4); library(lmerTest) # repeated measures ANOVA with ez package data(ANT) ANT.2 <- subset(ANT, !error) # update: make individual differences larger baseline.shift <- rnorm(length(unique(ANT.2$subnum)), 0, 50) ANT.2$rt <- ANT.2$rt + baseline.shift[as.numeric(ANT.2$subnum)] anova.ez <- ezANOVA(data = …

10 anova  mixed-model  repeated-measures  lme4-nlme  degrees-of-freedom 

多変量（つまり、複数の応答）の混合モデルをで近似しようとしていRます。ASReml-rおよびSabreRパッケージ（外部ソフトウェアが必要）を除いて、これはでのみ可能であるようMCMCglmmです。パッケージに付属する論文MCMCglmm（pp.6）で、Jarrod Hadfieldは、そのようなモデルを複数の応答変数を1つの長い形式の変数に再形成し、全体的なインターセプトを抑制するようにフィッティングするプロセスについて説明しています。私の理解では、切片を抑制すると、応答変数の各レベルの係数の解釈がそのレベルの平均になるように変更されます。したがって、上記を前提として、多変量混合モデルを当てはめることは可能lme4ですか？例えば： data(mtcars) library(reshape2) mtcars <- melt(mtcars, measure.vars = c("drat", "mpg", "hp")) library(lme4) m1 <- lmer(value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)), data = mtcars) summary(m1) # Linear mixed model fit by REML # Formula: value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)) …

10 r  mixed-model  multivariate-analysis  lme4-nlme  multivariate-regression 

私は、（通常）多重比較を心配する必要がない（通常） Gelmanの（再）を読んだばかりです。特に、「複数の結果とその他の課題」のセクション では、同じ人物/ユニットからの複数の関連する測定が異なる時間/条件である場合の階層モデルの使用について言及しています。それは多くの望ましい特性を持っているようです。 これは必ずしもベイジアンのものではないことを理解しています。誰かがrjagsやlmer（通常のJAGSやBUGSだけでなく、MCMCglmmなどの他の混合モデルライブラリも問題ないはずです）を使用して多変量マルチレベルモデルを適切に構築する方法を教えてくれます。対照的な結果？モデルが欲しい状況のタイプは、以下のおもちゃのデータ（多変量、反復測定）に反映されています。 set.seed(69) id <- factor(rep(1:20, 2)) # subject identifier dv1 <- c(rnorm(20), rnorm(20, 0.8, 0.3)) # dependent variable 1 data for 2 conditions dv2 <- c(rnorm(20), rnorm(20, 0.3, 0.6)) dv3 <- c(rnorm(20), rnorm(20, -0.3, 0.8)) dv4 <- c(rnorm(20), rnorm(20, 0.2, 1 )) dv5 <- c(rnorm(20), rnorm(20, 0.5, …

10 multiple-comparisons  multilevel-analysis  lme4-nlme  jags  hierarchical-bayesian 

2つの異なる時間変数をモデル化します。そのうちのいくつかは、データ（年齢+コホート=期間）で非常に同一線上にあります。これを行うと、ととのlmer相互作用で問題が発生しましたがpoly()、おそらくそれに限定されずlmer、nlmeIIRCでも同じ結果が得られました。 明らかに、poly（）関数の機能についての私の理解は欠けています。私は何をpoly(x,d,raw=T)しているのかを理解し、それなしraw=Tでは直交多項式を作成すると考えました（それが何を意味するのか本当に理解できていません）。これはフィッティングを容易にしますが、係数を直接解釈することはできません。 私は予測関数を使用しているので、予測は同じであると読みました。 しかし、モデルが正常に収束しても、そうではありません。私は中心に置かれた変数を使用していて、多分直交多項式が共線相互作用項との固定効果相関が高くなる可能性があると最初に思いましたが、それは同等であるようです。ここに 2つのモデルの概要を貼り付けました。 これらのプロットは、うまくいけば、違いの程度を示しています。私は開発者でのみ利用可能な予測関数を使用しました。lme4のバージョン（ここで聞いた）ですが、修正された効果はCRANバージョンでも同じです（たとえば、DVの範囲が0〜4の場合、インタラクションの場合は〜5など）。 lmerコールは cohort2_age =lmer(churchattendance ~ poly(cohort_c,2,raw=T) * age_c + ctd_c + dropoutalive + obs_c + (1+ age_c |PERSNR), data=long.kg) 予測は固定データのみで、偽のデータ（他のすべての予測子= 0）に対して、元のデータに存在する範囲を外挿= Fとしてマークしました。 predict(cohort2_age,REform=NA,newdata=cohort.moderates.age) 必要に応じてより多くのコンテキストを提供できます（再現可能な例を簡単に作成することはできませんでしたが、もちろんもっと頑張ることができます）が、これはより基本的な嘆願だと思いますpoly()。機能を説明してください。 生の多項式 直交多項式（Imgurでクリップ、非クリップ）

10 r  lme4-nlme  polynomial