タグ付けされた質問 「mixed-model」

したがって、lmの重み関数は、関連する観測の「重み」値が大きいほど観測に重みを与えるように思えますが、lmeのlme関数は正確に反対です。これは簡単なシミュレーションで確認できます。 #make 3 vectors- c is used as an uninformative random effect for the lme model a<-c(1:10) b<-c(2,4,6,8,10,100,14,16,18,20) c<-c(1,1,1,1,1,1,1,1,1,1) ここで、lmの従属変数の逆数に基づいて観測値に重み付けするモデルを実行する場合、逆数をとらずに、従属変数だけで重み付けした場合にのみ、nlmeでまったく同じ結果を生成できます。 summary(lm(b~a,weights=1/b)) summary(lme(b~a,random=~1|c,weights=~b)) これを反転して、逆が真であることを確認できます。lmでweights = bを指定すると、一致するlme結果を取得するにはweights = 1 / bが必要です。 だから、私はこれをよく理解しています。あることについて検証し、別のものについて質問したいだけです。 従属変数の逆に基づいてデータに重みを付けたい場合、lme内でweights =〜（従属変数）をコーディングするだけで問題ありませんか？ lmeがlmとはまったく異なる重みを処理するように書かれているのはなぜですか？混乱を引き起こす以外に、これの目的は何ですか？ どんな洞察もいただければ幸いです！

8 r  regression  mixed-model  weighted-regression 

Rで2因子（両方とも被験者内）のANOVAを繰り返し測定した後、事後テスト（Tukey HSD）を実行する方法に関する解決策を見つけるのに問題があります。ANOVAには、aov -functionを使用しました。 summary(aov(dv ~ x1 * x2 + Error(subject/(x1*x2)), data=df1)) 他の質問への回答を読んだ後、他の機能（lmeなど）を使用してANOVAを再実行する必要があることを知りました。これが私が思いついたものです。 Lme.mod <- lme(dv ~ x1*x2, random=list(subject=pdBlocked(list(~1, pdIdent(~x1-1), pdIdent(~x2-1)))), data=df1) anova(Lme.mod) 主な効果はどちらも有意でしたが、相互作用の効果はありませんでした。次に、これらの関数を事後比較に使用しました。 summary(glht(Lme.mod, linfct=mcp(x1="Tukey"))) summary(glht(Lme.mod, linfct=mcp(x2="Tukey"))) しかし、いくつかの問題がありました： まず、Rヘルプファイルには、「双方向ANOVAまたはANCOVAモデル（...）multcompバージョン1.0-0以降で対象のパラメーターを定義する場合、mcp関数は注意して使用する必要があります。主な効果の比較が生成されます。のみ、共変量と交互作用を無視します（古いバージョンは交互作用項で自動的に平均化されました）警告が表示されます。そして確かに、私は次の警告メッセージを受け取りました： Warning message: In mcp2matrix(model, linfct = linfct) : covariate interactions found -- default contrast might be inappropriate もう1つの不可解な点は、両方の主要な効果は有意でしたが、要因の1つ（x1）の事後比較に有意差はなかったということです。これに出会ったことはありません。スクリプト/分析は正しい/適切ですか、それとも欠けているものはありますか？どんな助けでも大歓迎です！

8 r  anova  repeated-measures  post-hoc  tukey-hsd  goodness-of-fit  curve-fitting  sem  latent-variable  mplus  anova  post-hoc  tukey-hsd  markov-process  image-processing  r  time-series  causality  granger-causality  anova  mixed-model  lme4-nlme  random-effects-model  r  matlab  data-transformation  multinomial  notation  estimation  nonparametric  logistic  r  missing-data  multiple-imputation  mice 

結果を二分することなく継続的な結果（たとえば、血圧）を予測する際の継続的な診断テストの感度と特異度（または類似の測定）を計算するにはどうすればよいですか？何か案は？ 研究者は混合効果モデリング（以下のリンクを参照）を使用してこれを行ったようですが、私は彼らがこの手法を使用することに慣れていません：http : //www.ncbi.nlm.nih.gov/pmc/articles/PMC3026390/ ちなみに、私はRに最も慣れているので、R関数を伴うことを提案する実装​​には理想的です（ただし、そうでなくても問題ありません）。 提案を事前にありがとう！

8 classification  mixed-model  predictive-models  roc  continuous-data 

閉まっている。この質問はトピックから外れています。現在、回答を受け付けていません。 この質問を改善してみませんか？ 質問を更新することがありますので、話題のクロス検証済みのため。 7か月前に閉鎖。 私は現在、JAGSでサッカーの結果を予測するモデルの実装を進めています。実際、いくつか実装しましたが、まだ最も難しい課題に達しています。Rue＆Salvesenの論文「リーグでのサッカーの試合の予測と遡及分析」で説明されているモデルです。彼らのモデルは、5ゴール後の攻撃/防御力を条件としたポアソン分布を切り捨てるために混合モデルを使用しています。彼らはまた、Dixon＆Coles（1997）の法律を採用して、スコアの低いゲームで0-0と1-1の結果が出る確率を高めています。 私の問題は次のとおりです、私は混合モデルを実装しようとしています： ここで、は、チームAとBの間のゲームでホームチームが獲得したゴールの数を示し、は、チームの強さ。私はゼロゼロのトリックを使用してJAGSでこれらの2つの法則を実装しようとしましたが、今のところ運がありません（）。これまでの私のJAGSモデル：πg1（xA 、B、yA 、B| λ（x ）A 、B、λ（y）A 、B）= κ （xA 、B、yA 、B| λ（x ）A 、B、λ（y）A 、B）Po （xA 、B| λ（x ）A 、B）Po （yA 、B| λ（y）A 、B）πg1（バツあ、B、yあ、B|λあ、B（バツ）、λあ、B（y））=κ（バツあ、B、yあ、B|λあ、B（バツ）、λあ、B（y））Po（バツあ、B|λあ、B（バツ））Po（yあ、B|λあ、B（y）） \pi_{g1}(x_{A,B},y_{A,B}|\lambda_{A,B}^{(x)},\lambda_{A,B}^{(y)}) = \kappa(x_{A,B},y_{A,B}|\lambda_{A,B}^{(x)},\lambda_{A,B}^{(y)})Po(x_{A,B}|\lambda_{A,B}^{(x)})Po(y_{A,B}|\lambda_{A,B}^{(y)}) バツA 、Bバツあ、Bx_{A,B}l o g（λ（x ）A 、B）log（λあ、B（バツ））log(\lambda_{A,B}^{(x)})error: illegal parent values data { C <- 10000 for(i in 1:noGames) …

8 mixed-model  mcmc  jags 

私は最近、参加者を2つの治療グループの1つにランダムに割り当てた研究を完了しました。ベースライン、介入直後、1か月、および4か月で、やや多数の結果変数について参加者をテストしました。グループx時間の相互作用を調べるために、いくつかの混合ANOVAを実行することを計画していました。比較には、2（グループ）x 2（時間：ベースラインと介入後）の比較と、2（グループ）x 3（時間：ベースライン、1か月、4か月）の比較があります。 分析を開始する前に、2つの治療グループをすべてのベースライン変数で比較しました。グループを比較するために.05のアルファレベルを使用する場合は4つのベースライン変数、または.01のアルファレベルを使用する場合は2つのベースライン変数でグループが異なることがわかりました。 これについて2つの質問があります。 ベースラインでグループを比較するには、どのアルファレベルを使用すればよいですか？私は2つのグループを24のベースライン特性で比較しているため、0.01のアルファレベルを考えていました。多数のテストが行​​われているので、家族レベルのエラー率を減らすには、0.05よりも厳しいアルファレベルを選択する必要があると思いました。実行されましたが、私のリーディングから、ほとんどの人は.05を使用しているようです。何がお勧めですか？ これらの違いについてどうすればよいですか？これらの変数を共変量として含めることもできますが、サンプルサイズが非常に小さく、4つの共変量を使用するのは適切ではないようです（.05レベルで有意である場合、差異のみを受け入れる方がよい理由の1つでもあります）。 これについて何か助けていただければ幸いです！

8 mixed-model  ancova 

実験中に3回評価された10人の参加者の2つのグループがあります。グループ間および3つの評価全体の違いをテストするために、group（コントロール、実験）、time（最初、2、3）、およびを使用して2x3混合設計ANOVAを実行しましたgroup x time。両方timeとgroup有意な相互作用があったほか、重大な結果group x time。 グループメンバーシップに関しても、3回の評価の違いをさらにチェックする方法をよく知りません。実際、最初は、ANOVAのオプションで、ボンフェローニの補正を使用してすべての主要な効果を比較することだけを指定しました。しかし、この方法で、グループを区別せずに、サンプル全体の時間の違いをこのように比較したことに気付きましたね。 したがって、可能な解決策を見つけるためにインターネットでたくさん検索しましたが、結果はほとんどありませんでした。私と同じようなケースは2つしか見つかりませんでしたが、解決策は逆です！ 記事では、混合設計の後、著者らは被験者ごとに1つずつ、2回の反復測定ANOVAを事後的に実行しました。このようにして、2つのグループは修正なしで個別に分析されます。 インターネットのガイドでは、混合ANOVAの実行中に、SPSS構文のCOMPARE(time) ADJ(BONFERRONI)直後にを手動で追加すると述べています/EMMEANS=TABLES(newgroup*time)。このように、3つの時間はグループごとに個別に比較されます。ボンフェローニ補正を使用すると、私は正しいのでしょうか。 どう思いますか？どちらが正しい方法でしょうか？

8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka 

わかりました、これは私の問題です： 参加者は12人です。 各参加者は、研究室で3夜を過ごし、夜間の4つの時点（12、1、2、3時）で反応時間のタスクを実行しました。 毎晩、各参加者は3つの実験条件の1つにさらされ、各参加者は3週間の終わりに各条件を完了しましたが、条件の順序は被験者間で完全にバランスが取れていました。 つまり、結局のところ、各参加者、各条件について、4つの平均反応時間があります。 夜間の状態と時間点を含む線形混合モデルを使用し、固定効果としての条件*時間点の相互作用を使用したいと考えました（夜間の3つの条件のいずれかで反応時間が短くなることを期待しているため）。ランダムな効果として、主題を含めたかったのですが、SPSSでこれをどのように行うか、混合モデルが適切な方法であるかどうか確信がありません。 誰かが私に進む方法についていくつかのヒントを与えることができますか？本当にありがたいです！ 前もって感謝します

8 mixed-model  spss  repeated-measures 

mcmcsamp（）関数を使用したlmer（）モデルの分散コンポーネントの事後シミュレーションを取得したいと思います。実行する方法 ？ たとえば、以下はlmer（）フィッティングの結果です。 > fit Linear mixed model fit by REML Formula: y ~ 1 + (1 | Part) + (1 | Operator) + (1 | Part:Operator) Data: dat AIC BIC logLik deviance REMLdev 97.55 103.6 -43.78 89.18 87.55 Random effects: Groups Name Variance Std.Dev. Part:Operator (Intercept) 2.25724 1.50241 Part …

8 r  bayesian  mixed-model 

固定効果のみを使用し、ランダム効果を0に保持して、新しいデータセットで混合モデル（glmerを介したロジスティック）の予測を構築したいと思います。しかし、それらを計算できるようにモデルマトリックスを設定するのに問題があります。 merクラスには予測メソッドがないため、新しいデータセットの予測のランダム効果を省略したいので、元の構造で使用されているのと同じ構造の固定効果のモデル行列を作成する必要があると思いますモデルですが、新しいデータを使用しています。次に、モデルの固定効果係数を掛けます。 モデル式の固定効果部分には、数値の固定効果間の因子と交互作用項が含まれているため、行列から固定変数を抽出するよりも少し複雑です。たとえば、因子コントラスト展開が元と同じであること、相互作用項が適切にリストされていることなどを確認する必要があります。 だから私の質問は：モデルの作成に使用された元のモデルマトリックスの構造を模倣する新しいモデルマトリックスを構築するためのより簡単な一般的なアプローチは何ですか？ 私はmodel.matrix（my.model、data = newdata）を試しましたが、それはnewdataに基づくものではなく、元のモデル行列を返すようです。 サンプルコード： library(lme4) cake2 <- head(cake) # cake2 is "new" data frame for future predictions # recipe is a fixed effect factor, temp is fixed effect numeric, replicate is random effect m <- lmer(angle ~ temp + recipe + (1 | replicate), data=cake) summary(m) …

8 r  mixed-model 

lmeオブジェクトから観測の予測を取得しようとしています。これは非常に簡単なはずです。しかし、さまざまな試行でさまざまなタイプのエラーが発生するため、何かが足りないようです。私のモデルは次のとおりです： model <- lme(log(child_mortality) ~ as.factor(cluster)*time + my.new.time.one.transition.low.and.middle + ttd + maternal_educ+ log(IHME_id_gdppc) + hiv_prev-1, merged0,na.action=na.omit,method="ML",weights=varPower(form=~time), random= ~ time| country.x, correlation=corAR1(form = ~ time), control=lmeControl(msMaxIter = 200, msVerbose = TRUE)) それはうまく動作し、データによく適合し、結果は理にかなっています。予測を得るために、私は以下を試しました： test.pred <- data.frame(time=c(10,10,10,10),country.x=c("Poland","Brazil", "Argentina","France"), my.new.time.one.transition.low.and.middle=c(1,1,1,0), ttd=c(0,0,0,0),maternal_educ=c(10,10,10,10), IHME_id_gdppc=c(log(5000),log(8000),log(8000),log(15000)), hiv_prev=c(.005,.005,.005,.005), cluster=c("One Transition, Middle Income","One Transition, Middle Income","One Transition, Middle Income","Democracy, High …

8 r  mixed-model  multilevel-analysis  prediction  lme4-nlme 

Aが固定因子で、Bがランダム因子であるとします。AとBが交差しています。別のランダム因子CがBにネストされています。ABとACの相互作用を考慮して、nlmeパッケージのlme関数を使用してモデルをどのように適合させる必要がありますか？ありがとう。

8 r  mixed-model  lme4-nlme 

私には100人の患者がいて、各患者には10件の長期的な血清クレアチニン測定があります。推定糸球体濾過率（eGFR）は、性別、年齢、血清クレアチニンを含むMDRD式から計算されました。eGFRは従属変数であり、時間は各患者の線形回帰の独立変数です。 線形回帰は「独立したXの」仮定に違反し、代わりに線形混合モデルを使用する必要がありますか？ 各患者から推定されたeGFR勾配（測定値ではなく不確実性を伴う推定値）（各患者の線形回帰または変量効果混合モデル[混合モデルで各患者の勾配を推定する方法？]）は、他の回帰モデルの独立変数または従属変数？ ありがとうございました。

8 regression  mixed-model  repeated-measures  panel-data 

混合モデルをモンテカルロ生成データに当てはめたいと思いますが、確率密度は通常、添付の画像と同じです。 視覚的な検査からは、通常の混合モデルが適用できる可能性があるように見えますが、CRANタスクビューのチェックでは、どのパッケージが自分のニーズに適しているのか本当にわかりません。 基本的に私がやりたいのは、データのベクトルを提供し、次にパッケージ関数に混合モデルの各コンポーネントの平均、分散、および比例重みを返させ、モデルにあるコンポーネントの数を特定することです。

8 r  mixed-model 

私の部門の生物学者に異質性/異分散性を説明する方法についてのヘルプ、アドバイス、またはヒントを探しています。特に、なぜそれを探し、それが存在する場合はそれに対処することが重要である理由を説明したいのですが、私は次の質問についての意見を探していました。 異質性は変量効果推定の信頼性に影響を与えますか？確かにあると思いますが、論文が見つかりませんでした。 異質性はどれほど深刻な問題ですか？私はこれについて矛盾する見解を発見しましたが、モデルの標準エラーなどは信頼できないと言う人もいますが、異質性が深刻な場合にのみ問題であることも読みました。重症度はどれくらいですか？ 異質性のモデリングに関するアドバイス。現在、私は主にRのnlmeパッケージと分散共変量の使用に焦点を当てています。これはかなり簡単で、ここでほとんどの人がRを使用しているため、スクリプトを提供すると便利です。私はMCMCglmmパッケージも使用していますが、他の提案、特に通常でないデータについては歓迎します。 その他の提案は大歓迎です。

8 regression  mixed-model  references  residuals  heteroscedasticity 

ランダム効果のある線形ガウスモデルのBox-Cox法はありますか？

8 mixed-model  data-transformation