Làm thế nào để tính toán cho các biện pháp lặp đi lặp lại trong glmer?


8

Thiết kế của tôi như sau.

  • là phản ứng của Bernoulliy
  • là biến liên tụcx1
  • là biến phân loại (yếu tố) có hai cấp độx2

Thí nghiệm hoàn toàn nằm trong đối tượng. Nghĩa là, mỗi đối tượng nhận được mỗi kết hợp của x 2 .x1x2

Đây là một biện pháp lặp đi lặp lại thiết lập hồi quy logistic. Thí nghiệm sẽ đưa ra hai ogives cho so với x 1 , một cho level1 và một cho level2 là x 2 . Ảnh hưởng của x 2 phải là đối với cấp 2 so với cấp 1, ogive nên có độ dốc nông hơn và tăng khả năng đánh chặn.p(y=1)x1x2x2

Tôi đang vật lộn với việc tìm kiếm mô hình bằng cách sử dụng lme4. Ví dụ,

glmer(y ~ x1*x2 + (1|subject), family=binomial)

Theo như tôi hiểu thì 1|subjectphần đó nói rằng đó subjectlà một hiệu ứng ngẫu nhiên. Nhưng tôi không thấy cách xác định x 2 là các biến đo lặp lại. Cuối cùng, tôi muốn một mô hình bao gồm một hiệu ứng ngẫu nhiên cho các đối tượng và đưa ra các độ dốc và chặn ước tính cho cấp 1 và cấp 2.x1x2


Có một ví dụ đo lặp đi lặp lại trong các slide này của D.Bates.
martin

1
Trang nào trong số 165 trang? BTW ông cũng có chương sách có sẵn.
Bill Simpson

1
|subjectchỉ định cấu trúc dữ liệu (các số đo lặp lại lồng vào nhau subject), do đó bạn không cần chỉ định x 2 . biểu thị đánh chặn ngẫu nhiên cho từng đối tượng (cấp 2). Tại đây, bạn chỉ có thể nhận được các đòn đánh chặn và dốc ( ví dụ như thông qua ) cho cấp 2.x1x21|subjectx1|subject
Randel

Câu trả lời:


11

tl; dr: Mô hình của bạn đã tính đến thực tế là bạn đã lặp đi lặp lại các biện pháp. Tuy nhiên, nếu nó phù hợp, bạn sẽ sử dụng tốt nhất:

glmer(y ~ x1*x2 + (x1:x2|subject), family=binomial)

nhưng nếu điều đó không thể thực hiện được, bạn có thể thử:

glmer(y ~ x1*x2 + (1|subject) + (0+x1|subject) + (0+x2|subject), family=binomial)

   Để biết giải thích về cú pháp ở đây, hãy xem: R 'lmer cheat-sheet .


x1x2

Ở mọi mức độ, thay vì nói với R rằng một biến được đo trong mọi người, bạn chỉ cần tạo một mô hình bằng cách sử dụng ngẫu nhiên và / hoặc các hiệu ứng được cố định để giải thích cho sự không độc lập của dữ liệu đến từ cùng một người. (Có, bạn có thể sử dụng một hiệu ứng cố định để giải thích cho vấn đề này: mỗi người sẽ là một cấp độ của một biến phân loại được bao gồm. Tuy nhiên, điều này sẽ trả lời một câu hỏi hơi khác biệt mà hầu như không phải là câu hỏi mà bạn quan tâm và trừ khi bạn có nhiều phép đo trên cùng một người trong mọi kết hợp điều kiện, mô hình sẽ không thể điều chỉnh được.) Trong thực tế, bạn sẽ sử dụng các hiệu ứng ngẫu nhiên để giải thích cho điều này. Cụ thể, bạn sẽ có một hiệu ứng ngẫu nhiên cho từng đối tượng.

(1|subject)x1=0x1). Tuy nhiên, hãy nhớ rằng GLMM khó tính toán hơn LMM, vì vậy một mô hình như vậy có thể không dễ điều khiển được.

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.