so sánh lme và lmer

Tôi đã tự hỏi nếu có ai có thể khai sáng cho tôi về sự khác biệt hiện tại giữa hai chức năng này. Tôi tìm thấy câu hỏi sau: Làm thế nào để chọn thư viện nlme hoặc lme4 R cho các mô hình hiệu ứng hỗn hợp? , nhưng đó là từ một vài năm trước đây. Đó là một đời trong vòng tròn phần mềm.

Câu hỏi cụ thể của tôi là:

Có (vẫn) bất kỳ cấu trúc tương quan trong lmeđó lmerkhông xử lý?
Có thể / đề nghị sử dụng lmercho dữ liệu bảng?

Xin lỗi nếu những điều này là hơi cơ bản.

Chi tiết hơn một chút: dữ liệu bảng là nơi chúng ta có nhiều phép đo trên cùng một cá nhân, tại các thời điểm khác nhau. Tôi thường làm việc trong bối cảnh kinh doanh, nơi bạn có thể có dữ liệu cho khách hàng lặp lại / dài hạn trong một số năm. Chúng tôi muốn cho phép thay đổi theo thời gian, nhưng rõ ràng việc điều chỉnh một biến giả cho mỗi tháng hoặc năm là không hiệu quả. Tuy nhiên, tôi không rõ liệu lmerlà công cụ thích hợp cho loại dữ liệu này hay liệu tôi có cần các cấu trúc tự tương quan lmecó.

r mixed-model lme4-nlme

— Hồng Ooi
nguồn

Câu trả lời đó vẫn được cập nhật. lmervẫn không xử lý sự đa dạng của các cấu trúc tương quan và phương sai lme, và như tôi hiểu tình hình, có lẽ nó sẽ không bao giờ xảy ra.

— Aaron - Hồi phục lại

@Aaron Cảm ơn bạn đã trả lời. Đối với phần thứ hai, điều này có ảnh hưởng đến lmerkhả năng xử lý tập dữ liệu của bảng điều khiển không? Hoặc tôi có thể thoát khỏi mà không đưa ra các giả định tương quan cụ thể?

— Hồng Ooi

@Aaron, tôi không biết gì về "sẽ không bao giờ" xử lý corr / cấu trúc var - Tôi quan tâm đến việc bổ sung thêm các tính năng này và không nghĩ rằng nó sẽ là khó khăn - nhưng tôi chắc chắn sẽ nói "không giữ mình hơi thở". Tôi không đủ quen thuộc với dữ liệu bảng để biết những gì sẽ được yêu cầu lmerđể xử lý chúng ... Hồng, bạn có thể thêm một lời giải thích ngắn gọn cho câu hỏi mô tả các thuộc tính thống kê cần thiết chi tiết hơn một chút, hoặc đưa ra gợi ý không?

— Ben Bolker

@BenBolker Đã thêm một số chi tiết.

— Hồng Ooi

Tôi có thể nói lmersẽ khá tốt với hiệu ứng ngẫu nhiên của năm và hiệu ứng ngẫu nhiên của khách hàng (giả sử bạn chỉ có một phép đo cho mỗi khách hàng mỗi năm); nếu bạn được trang bị một xu hướng thời gian tổng thể (hiệu ứng cố định), bạn cũng nên xem xét một tương tác ngẫu nhiên theo thời gian của khách hàng (tức là độ dốc ngẫu nhiên). Lý tưởng nhất là bạn cũng muốn cho phép tự tương quan thời gian trong chuỗi thời gian của mỗi khách hàng, hiện tại không thể thực hiện được với lmer, nhưng bạn có thể kiểm tra chức năng tự tương quan thời gian để xem điều đó có quan trọng không ...

— Ben Bolker

Câu trả lời:

CẬP NHẬT THÁNG 6 NĂM 2016:

Vui lòng xem mục blog của Ben mô tả những suy nghĩ hiện tại của anh ấy về việc hoàn thành việc này trong lme4: Braindump 01 tháng 6 năm 2016

Nếu bạn thích các phương thức Bayes, brmsgói brmhỗ trợ một số cấu trúc tương quan: trang CRAN brms . (Đặc biệt lưu ý: "Kể từ phiên bản brms 0.6.0, cấu trúc AR đề cập đến các hiệu ứng tự động của phần dư để khớp với cách đặt tên và triển khai trong các gói khác như nlme. Trước đây, thuật ngữ AR trong brms đề cập đến các hiệu ứng tự động của phản ứng. Cái sau bây giờ được đặt tên là hiệu ứng ARR và có thể được mô hình hóa bằng cách sử dụng đối số r trong các hàm cor_arma và cor_arr. ")

CÂU TRẢ LỜI NGÀY 7 THÁNG 7 NĂM 2013:

(Chuyển đổi từ một bình luận.)

Tôi có thể nói lmersẽ khá tốt với hiệu ứng ngẫu nhiên của năm và hiệu ứng ngẫu nhiên của khách hàng (giả sử bạn chỉ có một phép đo cho mỗi khách hàng mỗi năm);

lmer(y~1 + (1|year) + (1|customer), ...)

sẽ phù hợp với mô hình (chỉ đánh chặn)

Y_{i j} \sim Normal (a + ϵ_{year, i} + ϵ_{customer, j}, σ_{0}^{2})

$Y_{ij} \sim \text{Normal}(a + \epsilon_{\text{year},i} + \epsilon_{\text{customer},j}, \sigma^2_0)$

ϵ_{year}

$\epsilon_{\text{year}}$

ϵ_{customer}

$\epsilon_{\text{customer}}$

Đây là một mô hình khá nhàm chán, bạn có thể muốn thêm xu hướng tổng thể (hiệu ứng cố định) và cũng xem xét tương tác ngẫu nhiên theo thời gian của khách hàng (tức là độ dốc ngẫu nhiên). tôi nghĩ

lmer(y~year + (1|year) + (year|customer), ...)

Y_{i j} \sim Normal ((a + ϵ_{customer, j}) + (b + ϵ_{year \times customer, j}) \cdot year + ϵ_{year, i}, σ_{0}^{2})

$Y_{ij} \sim \text{Normal}((a + \epsilon_{\text{customer},j}) + (b + \epsilon_{\text{year} \times \text{customer},j}) \cdot \text{year} + \epsilon_{\text{year},i}, \sigma^2_0)$

(sử dụng yeartheo cách này là một ngoại lệ đối với quy tắc thông thường là không bao gồm biến đầu vào là cả hiệu ứng được trang bị và ngẫu nhiên trong cùng một mô hình; với điều kiện đó là biến số, yearđược xử lý liên tục trong hiệu ứng cố định và year:customer(ngẫu nhiên) tương tác và như là phân loại trong hiệu ứng ngẫu nhiên ...)

Tất nhiên, bạn có thể muốn thêm các đồng biến cấp độ năm, cấp độ khách hàng và cấp độ quan sát, điều này sẽ khắc phục một số phương sai có liên quan (ví dụ: thêm chỉ số giá tiêu dùng trung bình để giải thích tại sao năm là xấu hay tốt ...)

Lý tưởng nhất là bạn cũng muốn cho phép tự động tương quan thời gian trong chuỗi thời gian của mỗi khách hàng, điều này hiện không thể thực hiện được lmer, nhưng bạn có thể kiểm tra chức năng tự tương quan thời gian để xem điều đó có quan trọng không ...

Hãy cẩn thận : Tôi không biết nhiều về các phương pháp tiêu chuẩn để xử lý dữ liệu bảng điều khiển; điều này chỉ dựa trên kiến thức của tôi về các mô hình hỗn hợp. Các nhà bình luận (hoặc biên tập viên) nên thoải mái bấm chuông nếu điều này dường như vi phạm các tiêu chuẩn / thực hành tốt nhất trong kinh tế lượng.

— Ben Bolker
nguồn

X \sim N (μ, σ^{2})

$X \sim N(\mu, \sigma^2)$

X

$X$

μ

$\mu$

σ^{2}

$\sigma^2$

Y_{i j}

$Y_{ij}$

N (a, σ_{0}^{2} + σ_{y e a r}^{2} + σ_{c u s t}^{2})

$N(a,\sigma^{2}_0 + \sigma^{2}_{year} + \sigma^{2}_{cust})$

a + b \cdot y e a r

$a+b \cdot {\rm year}$

Đúng, cảm ơn Ben. Trong thực tế cũng sẽ có các hiệu ứng cố định, ví dụ như tuổi tác, giới tính và tất cả các nghi phạm thông thường. @Macro: Ben có quyền, tôi tin.

— Hồng Ooi

μ

$\mu$

Y \sim Normal (X β + Z u, σ^{2}); u \sim MVNormal (0, Σ); Σ = f (θ)

$Y \sim \text{Normal}(X \beta + Z u, \sigma^2); u \sim \text{MVNormal}(0,\Sigma); \Sigma=f(\theta)$

@BenBolker: bạn có nhận thấy rằng tôi đã đặt tiền thưởng cho câu hỏi này không, vì tôi đang tìm kiếm một bản cập nhật tiềm năng ?

— S. Kolassa - Tái lập Monica

Tôi vừa đăng tải một số nội dung tôi đã làm việc trên thời gian gần đây tại rawgit.com/bbolker/mixedmodels-misc/master/notes/... ; Tôi sẽ cố gắng kết hợp để kết hợp các bit có liên quan trong câu trả lời của tôi (thay vào đó, bất kỳ ai khác đều được chào đón để đăng câu trả lời của riêng họ dựa trên thông tin đó hoặc chỉnh sửa câu hỏi của tôi!)

— Ben Bolker

Để trả lời câu hỏi của bạn trực tiếp, và NB đây là năm sau bài viết gốc!

Đúng, vẫn còn các cấu trúc tương quan mà nlme xử lý mà lme4 sẽ không xử lý. Tuy nhiên, miễn là nlme cho phép người dùng xác định corstrs chung và lme4 thì không, đây sẽ là trường hợp. Điều này có tác động thực tế nhỏ đáng ngạc nhiên. Các cấu trúc tương quan "ba lớn" của: Cấu trúc tương quan độc lập, có thể trao đổi và AR-1 được xử lý dễ dàng bởi cả hai gói.
Điều đó chắc chắn là có thể . Bạn có thể phù hợp với dữ liệu bảng điều khiển với lmchức năng quá! Khuyến nghị của tôi về việc sử dụng phụ thuộc vào vấn đề. lme4là một bộ công cụ nhỏ hơn nhiều, và biểu diễn công thức là một cách ngắn gọn, súc tích để mô tả một số mô hình hiệu ứng hỗn hợp rất phổ biến. nlmelà hộp công cụ rất lớn, bao gồm một thợ hàn TIG để làm bất kỳ công cụ nào bạn cần.

Bạn nói rằng bạn muốn cho phép "thay đổi theo thời gian". Về cơ bản, cấu trúc tương quan có thể trao đổi đạt được điều này, cho phép chặn ngẫu nhiên trong mỗi cụm, do đó phương sai nội bộ là tổng của biến thể cấp cụm cũng như biến đổi (theo cách bạn gọi) theo thời gian. Và điều này không có nghĩa là ngăn cản bạn sử dụng các hiệu ứng cố định để có được dự đoán chính xác hơn theo thời gian.

— Adam
nguồn

Hừm. Làm thế nào người ta có thể sử dụng tương quan AR-1 trong lme4?

— amip nói rằng Phục hồi lại