Làm thế nào để giải thích các hệ số của mô hình hỗn hợp đa biến trong lme4 mà không bị chặn tổng thể?


10

Tôi đang cố gắng để phù hợp với một mô hình hỗn hợp đa biến (nghĩa là nhiều phản hồi) trong R. Ngoài các gói ASReml-rSabreR(yêu cầu phần mềm bên ngoài), có vẻ như điều này chỉ có thể có MCMCglmm. Trong bài báo đi kèm với MCMCglmmgói (tr.6), Jarrod Hadfield mô tả quá trình điều chỉnh mô hình giống như định hình lại nhiều biến trả lời thành một biến định dạng dài và sau đó triệt tiêu chặn chặn tổng thể. Sự hiểu biết của tôi là việc triệt tiêu chặn làm thay đổi việc giải thích hệ số cho từng cấp của biến phản ứng là giá trị trung bình của cấp đó. Do đó, có thể điều chỉnh mô hình hỗn hợp đa biến bằng cách sử dụng lme4không? Ví dụ:

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)) 
#     Data: mtcars 
#   AIC   BIC logLik deviance REMLdev
#   913 933.5 -448.5    920.2     897
#  Random effects:
#   Groups       Name        Variance Std.Dev.
#   factor(carb) (Intercept) 509.89   22.581  
#   Residual                 796.21   28.217  
#  Number of obs: 96, groups: factor(carb), 6
#  
#  Fixed effects:
#                    Estimate Std. Error t value
#  variabledrat:gear  -7.6411     4.4054  -1.734
#  variablempg:gear   -1.2401     4.4054  -0.281
#  variablehp:gear     0.7485     4.4054   0.170
#  variabledrat:carb   5.9783     4.7333   1.263
#  variablempg:carb    3.3779     4.7333   0.714
#  variablehp:carb    43.6594     4.7333   9.224

Làm thế nào một người sẽ giải thích các hệ số trong mô hình này? Phương pháp này cũng sẽ làm việc cho các mô hình hỗn hợp tuyến tính tổng quát?

Câu trả lời:


2

Ý tưởng của bạn là tốt, nhưng trong ví dụ của bạn, bạn đã quên mô hình đánh chặn khác nhau và phương sai ngẫu nhiên khác nhau cho mỗi đặc điểm, do đó, đầu ra của bạn không thể hiểu được như hiện tại. Một mô hình chính xác sẽ là:

m1 <- lmer(value ~ -1 + variable + variable:gear + variable:carb + (0 + variable | factor(carb))

Trong trường hợp đó, bạn sẽ có được ước tính về các hiệu ứng cố định trên mỗi biến số (ví dụ: variabledrat:gearlà hiệu ứng của yếu tố dự đoán gearđối với phản hồi drat), nhưng bạn cũng sẽ nhận được các lệnh chặn cho từng biến số (ví dụ: variabledratđể chặn phản hồi drat) và ngẫu nhiên phương sai của từng biến và mối tương quan giữa các biến:

Groups       Name         Std.Dev. Corr     
 factor(carb) variabledrat 23.80             
              variablempg  24.27    0.20     
              variablehp   23.80    0.00 0.00
 Residual                  23.80       

Một mô tả chi tiết hơn về các phương pháp này đã được Ben Bolker viết ra , cũng như việc sử dụng MCMCglmmtrong khuôn khổ Bayes. Một gói mới khác, mcglmcũng có thể xử lý các mô hình đa biến, ngay cả với các phản hồi không bình thường, nhưng bạn phải mã hóa các ma trận thiết kế ngẫu nhiên của mình. Một hướng dẫn sẽ sớm được cung cấp (xem trang trợ giúp R).

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.