Ước tính hiệu ứng ngẫu nhiên và áp dụng cấu trúc tương quan / hiệp phương sai do người dùng xác định với gói R lme4 hoặc nlme

Tôi có loại dữ liệu sau đây. Tôi đã đánh giá 10 cá nhân mỗi lần lặp lại 10 lần. Tôi có ma trận quan hệ 10x10 (mối quan hệ giữa tất cả các kết hợp của các cá nhân).

set.seed(1234)
mydata <- data.frame (gen = factor(rep(1:10, each = 10)),
                      repl = factor(rep(1:10, 10)),
                      yld = rnorm(10, 5, 0.5))

Gen này là các giống cây khác nhau, vì vậy mỗi loại có thể được trồng lặp lại và năng suất được đo. Ma trận hiệp phương sai là thước đo liên quan bằng độ tương tự di truyền được tính bằng xác suất ibd trong các thí nghiệm riêng biệt.

library(lme4)
covmat <- round(nearPD(matrix(runif(100, 0, 0.2), nrow = 10))$mat, 2)
diag(covmat) <- diag(covmat)/10+1
rownames(covmat) <- colnames(covmat) <- levels(mydata$gen)

> covmat                   
10 x 10 Matrix of class "dgeMatrix"                    
      1    2    3    4    5    6    7    8    9   10
1  1.00 0.08 0.06 0.03 0.09 0.09 0.10 0.08 0.07 0.10
2  0.08 1.00 0.08 0.09 0.04 0.12 0.08 0.08 0.11 0.09
3  0.06 0.08 1.00 0.10 0.05 0.09 0.09 0.07 0.04 0.13
4  0.03 0.09 0.10 1.00 0.02 0.11 0.09 0.06 0.04 0.12
5  0.09 0.04 0.05 0.02 1.00 0.06 0.07 0.05 0.02 0.08
6  0.09 0.12 0.09 0.11 0.06 1.00 0.12 0.08 0.07 0.14
7  0.10 0.08 0.09 0.09 0.07 0.12 1.00 0.08 0.03 0.15
8  0.08 0.08 0.07 0.06 0.05 0.08 0.08 1.00 0.06 0.09
9  0.07 0.11 0.04 0.04 0.02 0.07 0.03 0.06 1.00 0.03
10 0.10 0.09 0.13 0.12 0.08 0.14 0.15 0.09 0.03 1.00

Mô hình của tôi là:

yld = gen + repl + error 

cả gen và repl đều được coi là ngẫu nhiên và tôi muốn có được ước tính hiệu ứng ngẫu nhiên liên quan đến từng gen, tuy nhiên tôi cần xem xét ma trận mối quan hệ.

Nếu nó quá phức tạp để phù hợp với các mô hình lồng nhau, tôi sẽ chỉ loại bỏ thay thế khỏi mô hình, nhưng lý tưởng nhất là tôi sẽ giữ nó.

yld = gen +  error 

Làm thế nào tôi có thể đạt được điều này bằng cách sử dụng các gói R, có lẽ với nlme hoặc lme4? Tôi biết rằng ASREML có thể làm điều đó nhưng tôi không nắm giữ và tôi yêu R vì sự mạnh mẽ cũng như miễn phí.

Hãy thử kinshipgói, dựa trên nlme. Xem chủ đề này trên các mô hình hỗn hợp r-sig để biết chi tiết. Tôi đã quên mất điều này khi tôi đang cố gắng thực hiện nó cho một mô hình logistic. Xem /programming/8245132 để biết ví dụ cụ thể.

Đối với các phản hồi không bình thường, bạn cần sửa đổi gói phả hệ, dựa trên lme4. Nó giúp bạn gần gũi, nhưng ma trận mối quan hệ phải được tạo ra từ phả hệ. Hàm dưới đây là một sửa đổi của pedigreemmhàm lấy ma trận quan hệ tùy ý thay thế.

library(pedigreemm)
relmatmm <- function (formula, data, family = NULL, REML = TRUE, relmat = list(), 
    control = list(), start = NULL, verbose = FALSE, subset, 
    weights, na.action, offset, contrasts = NULL, model = TRUE, 
    x = TRUE, ...) 
{
    mc <- match.call()
    lmerc <- mc
    lmerc[[1]] <- as.name("lmer")
    lmerc$relmat <- NULL
    if (!length(relmat)) 
        return(eval.parent(lmerc))
    stopifnot(is.list(relmat), length(names(relmat)) == length(relmat))
    lmerc$doFit <- FALSE
    lmf <- eval(lmerc, parent.frame())
    relfac <- relmat
    relnms <- names(relmat)
    stopifnot(all(relnms %in% names(lmf$FL$fl)))
    asgn <- attr(lmf$FL$fl, "assign")
    for (i in seq_along(relmat)) {
        tn <- which(match(relnms[i], names(lmf$FL$fl)) == asgn)
        if (length(tn) > 1) 
            stop("a relationship matrix must be associated with only one random effects term")
        Zt <- lmf$FL$trms[[tn]]$Zt
        relmat[[i]] <- Matrix(relmat[[i]][rownames(Zt), rownames(Zt)], 
            sparse = TRUE)
        relfac[[i]] <- chol(relmat[[i]])
        lmf$FL$trms[[tn]]$Zt <- lmf$FL$trms[[tn]]$A <- relfac[[i]] %*% Zt
    }
    ans <- do.call(if (!is.null(lmf$glmFit)) 
        lme4:::glmer_finalize
    else lme4:::lmer_finalize, lmf)
    ans <- new("pedigreemm", relfac = relfac, ans)
    ans@call <- match.call()
    ans
}

Cách sử dụng tương tự như pedigreemmngoại trừ bạn cung cấp cho nó ma trận mối quan hệ làm relmatđối số thay vì phả hệ làm pedigreeđối số.

m <- relmatmm(yld ~ (1|gen) + (1|repl), relmat=list(gen=covmat), data=mydata)

Điều này không áp dụng ở đây vì bạn có mười quan sát / cá nhân, nhưng đối với một quan sát / cá nhân, bạn cần thêm một dòng trong chức năng này và một bản vá nhỏ để lme4chỉ cho phép một quan sát cho mỗi hiệu ứng ngẫu nhiên.

Câu trả lời này là sự mở rộng tiềm năng của đề xuất được đưa ra bởi Aaron, người đã đề nghị sử dụng Pedigreem. Các phả hệ có thể tính toán mối quan hệ từ các dự án theo cú pháp sau đây, tôi không biết làm thế nào chúng ta có thể sử dụng đầu ra quan hệ như vậy từ các cách khác nhau.

# just example from the manual to create pedigree structure and relation matrix 
  # (although you have already the matrix in place) 
p1 <- new("pedigree",
sire = as.integer(c(NA,NA,1, 1,4,5)),
dam = as.integer(c(NA,NA,2,NA,3,2)),
label = as.character(1:6))
p1
(dtc <- as(p1, "sparseMatrix")) # T-inverse in Mrode’s notation
solve(dtc)
inbreeding(p1) 

Sự phù hợp mô hình hỗn hợp của gói dựa trên lme4 cho cú pháp của hàm chính tương tự như hàm lmer của hàm lme4 ngoại trừ bạn có thể đặt đối tượng phả hệ vào nó.

pedigreemm(formula, data, family = NULL, REML = TRUE, pedigree = list(),
 control = list(),
start = NULL, verbose = FALSE, subset, weights, na.action, 
  offset, contrasts = NULL, model = TRUE, x = TRUE, ...)

Tôi biết đây không phải là câu trả lời hoàn hảo cho câu hỏi của bạn, tuy nhiên điều này có thể giúp ích một chút. tôi rất vui vì bạn đã hỏi câu hỏi này, thú vị với tôi!

lmer()trong lme4gói cho phép vượt qua hiệu ứng ngẫu nhiên. Ở đây, bạn sẽ sử dụng một cái gì đó như

y ~ (1|gen) + (1|repl)

Để tham khảo đầy đủ;

http://www.stat.wisc.edu/~bates/PotsdamGLMM/LMMD.pdf