タグ付けされた質問 「lme4-nlme」

Rでlmerを使用して、条件（cond）の結果への影響を確認しています。ここではいくつかのSは主題識別子であるデータを、作られておりa、bそしてc条件です。 library("tidyr") library("dplyr") set.seed(123) temp <- data.frame(s = paste0("S", 1:30), a = rnorm(30, -2, 1), b = rnorm(30, -3, 1), c = rnorm(30, -4, 1)) 比較したい レベルaレベルの平均にbとcと レベルbからレベルへc。 私の質問は、切片が3つの条件の平均を反映し、2つの計算された推定値が1.と2。 私が試した c1 <- cbind(c(-0.5, 0.25, 0.25), c(0, -0.5, 0.5)) gather(temp, cond, result, a, b, c) %>% lmer(result ~ cond + (1|s), …

9 r  lme4-nlme  contrasts 

ロジスティック一般化線形混合モデル（ファミリ=二項式）では、変量効果の分散を解釈する方法がわかりません。 Random effects: Groups Name Variance Std.Dev. HOSPITAL (Intercept) 0.4295 0.6554 Number of obs: 2275, groups: HOSPITAL, 14 この数値結果をどのように解釈しますか？ 多施設共同研究で腎移植患者のサンプルがあります。特定の降圧治療を受けている患者の確率がセンター間で同じかどうかをテストしていました。治療を受ける患者の割合はセンター間で大きく異なりますが、患者の基本的な特性の違いが原因である可能性があります。そこで、患者の主要な特徴を調整して、一般化線形混合モデル（ロジスティック）を推定しました。これは結果です： Generalized linear mixed model fit by maximum likelihood ['glmerMod'] Family: binomial ( logit ) Formula: HTATTO ~ AGE + SEX + BMI + INMUNOTTO + log(SCR) + log(PROTEINUR) + (1 …

9 r  lme4-nlme 

Rパッケージのglmerモデルを装着していlme4ます。p値が表示されたanovaテーブルを探していますが、それに適合するパッケージが見つかりません。Rでそれを行うことは可能ですか？ 私が適合しているモデルは次の形式です： model1<-glmer(dmn~period*teethTreated+(1|fullName), family="poisson", data=subset(dataset, group=='Four times a year'), control=glmerControl(optimizer="bobyqa"))

9 r  anova  lme4-nlme  mixed-model 

4つの可能なイベントの頻度の1つのサンプルがあるとします。 Event1 - 5 E2 - 1 E3 - 0 E4 - 12 そして、私は自分のイベントの発生が予想される確率を持っています： p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 4つのイベントの観測頻度の合計（18）を使用して、イベントの予想頻度を計算できますか？ expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 = 1.8 expectedE1 - …

9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

個人の特定のグループ（3つのグループがあります）の変数logIndに対する年の影響を分析しようとしています。最も単純なモデル： > fix1 = lm(logInd ~ 0 + Group + Year:Group, data = mydata) > summary(fix1) Call: lm(formula = logInd ~ 0 + Group + Year:Group, data = mydata) Residuals: Min 1Q Median 3Q Max -5.5835 -0.3543 -0.0024 0.3944 4.7294 Coefficients: Estimate Std. Error t value Pr(>|t|) Group1 4.6395740 0.0466217 …

9 r  mixed-model  lme4-nlme  random-effects-model 

私はGoogleとこのサイトを調べましたが、それでもlme4ライブラリのlmer関数について混乱しています。 複数レベルの構造を持つさまざまな精神科病棟から収集したデータがあります。簡単にするために、レベル2とレベル1の変数を2つ選択しますが、実際にはさらにいくつかあります。 レベル2-WardSize [これは病棟にいる人数]＆WAS [これは病棟がどの程度「すてき」かを示す尺度です] どの病棟にいるのかを「病棟」と呼ばれるRに伝えるグループ化変数 レベル1-性別（これは明らかに性別です）＆BSITotal [これは症状の重症度の尺度です] 結果はSelfrejectで、これもまたそのように聞こえます。 私はこの式を持っています： help = lmer（formula = Selfreject〜WardSize + WAS + Gender + BSITotal +（1 | Ward）） これは、「各個人が自分の性別と症状の重症度に関連するスコアを持っていること、また、病棟のサイズとそれがいかに「素敵」かという病棟レベルの効果があることを願っています。 これは正しいです？混乱しているのは、最後に与えられた病棟レベルの切片を除いて、Rがレベル1変数とレベル2変数を区別する方法を理解できないことです。 もし誰かがその表記法を説明できれば、私のような馬鹿がそれを理解できるようになればさらに良いでしょう。 どうもありがとう！

9 r  mixed-model  lme4-nlme 

そのため、ハミング距離を使用して生体認証特性から個人を認証しようとしている16のトライアルがあります。しきい値は3.5に設定されています。私のデータは以下であり、トライアル1のみが真陽性です。 Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 10 0.45 11 0.42 12 0.37 13 0.66 14 0.39 15 0.44 16 0.39 私の混乱のポイントは、このデータからROC曲線（FPR対TPR OR FAR対FRR）を作成する方法が本当にわからないということです。どちらでもかまいませんが、どうやって計算するのか混乱しています。任意の助けいただければ幸いです。

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 

ランダムロジットでベルヌーイ試験をシミュレートしていますグループとの間で、私と対応するモデルフィットパッケージ：ロジットθ 〜N（ロジットθ0、12）logitθ∼N(logitθ0,12)\text{logit}\, \theta \sim {\cal N}(\text{logit}\, \theta_0, 1^2)lme4 library(lme4) library(data.table) I <- 30 # number of groups J <- 10 # number of Bernoulli trials within each group logit <- function(p) log(p)-log(1-p) expit <- function(x) exp(x)/(1+exp(x)) theta0 <- 0.7 ddd <- data.table(subject=factor(1:I),logittheta=rnorm(I, logit(theta0)))[, list(result=rbinom(J, 1, expit(logittheta))), by=subject] fit <- glmer(result~(1|subject), …

9 mixed-model  generalized-linear-model  binomial  random-effects-model  lme4-nlme 

aov内部反復測定モデルとlmer混合モデルの間で同等の結果を取得するのに問題があります。 私のデータとスクリプトは次のようになります data=read.csv("https://www.dropbox.com/s/zgle45tpyv5t781/fitness.csv?dl=1") data$id=factor(data$id) data id FITNESS TEST PULSE 1 1 pilates CYCLING 91 2 2 pilates CYCLING 82 3 3 pilates CYCLING 65 4 4 pilates CYCLING 90 5 5 pilates CYCLING 79 6 6 pilates CYCLING 84 7 7 aerobics CYCLING 84 8 8 aerobics CYCLING 77 9 …

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

library(lme4) out <- glmer(cbind(incidence, size - incidence) ~ period + (1 | herd), data = cbpp, family = binomial, contrasts = list(period = "contr.sum")) summary(out) Fixed effects: Estimate Std. Error z value Pr(>|z|) (Intercept) -2.32337 0.22129 -10.499 < 2e-16 *** period1 0.92498 0.18330 5.046 4.51e-07 *** period2 -0.06698 0.22845 -0.293 …

9 r  binomial  logit  lme4-nlme 

Rコードが次のような線形混合モデルを作成しようとしています。 lme（Average.payoff〜Game + Type + Others.Type + Game：Type + Game：Others.Type + Type：Others.Type、random =〜1 | Subjects、method = "REML"、data = Subjectsm1）-> lme1 応答項Average.payoffは連続ですが、すべての説明変数はすべてバイナリです。 検証に来ると、フィット値が大きくなると残差の広がりが減少することがはっきりとわかります。近似値が大きくなると残差が増加する形で不均一性に関する情報がたくさんあるようですが、私は自分のケースに似たケースについては何も読んでいません。 各説明効果に対して残差をプロットしましたが、変数GameおよびTypeの近似値が大きいほどスプレッドが減少しますが、変数Others.Typeの場合は増加することがわかります。 これの原因は何ですか？それについて私は何をすべきですか？ 2次項の追加または加法モデリングの使用を検討すべきですか？適用すべき変換はありますか？ おかげで、 ジョナサン

9 regression  mixed-model  variance  heteroscedasticity  lme4-nlme 

Rでは、グローバル固定効果なしでlmerモデルをどのように指定しますか？たとえば、私が次のようなことを言った場合 lmer(y ~ (1 | group) + (0 + x | group), data = my_df) 適合モデルは yij=a+αi+βixijyij=a+αi+βixijy_{ij} = a + \alpha_{i} + \beta_{i} x_{ij} モデルの適合方法 yij=αi+βixijyij=αi+βixijy_{ij} = \alpha_{i} + \beta_{i} x_{ij}？

9 r  mixed-model  lme4-nlme 

15人の被験者の研究で、応答変数（res）が2つの説明変数でモデル化され、1つ（レベル）は5つのレベルのカテゴリカルであり、もう1つ（応答時間：RT）は連続的であるとします。Rのlme4パッケージのlmerを使用すると、次のようになります。 fm1 <- lmer(res ~ level * RT + (level-1 | subject), data=mydata) anova(fm1) Df Sum Sq Mean Sq F value level 4 3974.9 993.7 9.2181 RT 1 1953.5 1953.5 18.1209 level:RT 4 5191.4 1297.9 12.0393 2つの変数の順序を変更すると、主な効果の結果が少し異なります。 fm2 <- lmer(res ~ RT * level + (level-1 | subject), data=mydata) anova(fm2) …

9 mixed-model  lme4-nlme 

次の簡単な例を考えます。 library( rms ) library( lme4 ) params <- structure(list(Ns = c(181L, 191L, 147L, 190L, 243L, 164L, 83L, 383L, 134L, 238L, 528L, 288L, 214L, 502L, 307L, 302L, 199L, 156L, 183L), means = c(0.09, 0.05, 0.03, 0.06, 0.07, 0.07, 0.1, 0.1, 0.06, 0.11, 0.1, 0.11, 0.07, 0.11, 0.1, 0.09, 0.1, 0.09, …

8 logistic  mixed-model  generalized-linear-model  glmm  lme4-nlme 

私はこの問題に数回遭遇しました。レビューアはLMMの使用の正当化、LMMの代わりに、またはLMMに加えて従来のテスト、および通常の線形モデルで報告するものと同様のパラメーター推定の完全な表を要求します。 。 現在、私の特定の問題は、「さまざまなモデルの主要なパラメーター推定値を含むテーブル」を要求するレビュー担当者です。私は彼らが線形モデル（t検定とp値を含む）について報告する従来のテーブルのようなものを望んでいると思いますが、この場合、分析にはネストされたモデル比較が含まれ、それぞれに含まれる各パラメーターのt検定はありませんモデルではなく、モデル比較のための単一のテストです。だから私は何をすべきかわかりません-私はレビュー担当者を満足させたいのですが、結果の評価にほとんど役立たない情報の巨大な表を必ずしも含めたいとは思いません。現在、私は単純にベータ、SE、カイ二乗、p値を報告しています。また、各モデルにどの変数が含まれていたかを明確にします。続行する方法について何か提案はありますか？ これが私が応答することを提案しているものです： 私たちは、レビュアーが、パラメーター推定値とそれに付随する統計、および特定のモデルに含まれる各変数のp値を使用して、従来の重回帰分析で報告される内容に似たものを求めていると考えています。ただし、線形混合モデル分析では、1つの追加パラメーターを使用して縮小モデルと完全モデルを比較するネストされたモデルを使用するため、テストされるパラメーターは、完全モデル（CITATION）に追加されたパラメーターのみであるため、テーブルを含めると解釈がサポートされませんより伝統的な分析と同じように結果を分析します。したがって、各分析について、推奨されるように、結果セクションの本文に、主要な統計とともに、各モデル比較でテストされたパラメーターのベータを報告します（CITATIONS）。 また、私の特定のケースでLMMを使用することの正当化を求められたとき、これは私が対応することを提案しているものです。 線形混合モデルを使用したのは、この分析により、モデル内の試行タイプ（切り替えと切り替えなしの試行）による変動性を説明できると同時に、試行が被験者内にネストされているという事実と、同じ人物からの複数の応答を説明できるためです。他の人からの応答よりも似ています。試行タイプと被験者レベルの反応時間の変動の両方を考慮に入れると、モデルのエラーが減少し、タスクパフォ​​ーマンスの影響を検出する能力が向上すると予想されました。 これを改善する方法について何か提案があれば、私はそれを感謝します。繰り返しますが、このオーディエンスは統計的に洗練されていないため、テーブルや補足データを追加しても、混乱や懐疑論が増える可能性があります。 また、LMMを使用する動機は、私が論文で見たものとは異なることに注意してください（たとえば、複数の変量効果を同時にモデル化する-私の場合、変量効果は1つだけです-参加者であり、試行タイプは固定効果です）。いくつかの一般的な論文を引用することがその助けになるかどうかはわかりません。LMMを使用する正当な理由が適切ではないため、このデータを分析する他の方法を見落とした可能性があります。

8 mixed-model  lme4-nlme  reporting