R Language
Hierarchische lineare Modellierung

Grundmodellanpassung

Entschuldigung : Da ich keinen Kanal für die Diskussion / Rückmeldung von Verbesserungsvorschlägen kenne, werde ich meine Frage hier stellen. Bitte zögern Sie nicht, einen besseren Ort dafür anzugeben! @DataTx gibt an, dass dies "völlig unklar, unvollständig ist oder schwerwiegende Formatierungsprobleme hat". Da ich keine großen Formatierungsprobleme (:-)) sehe, wäre ein wenig mehr Orientierung, was hier zur Verbesserung der Klarheit oder Vollständigkeit erwartet wird und warum das, was hier ist, nicht zu retten ist.

Die primären Pakete für das Anpassen von hierarchischen (alternativ "gemischten" oder "mehrstufigen") linearen Modellen in R sind nlme (älter) und lme4 (neuer). Diese Pakete unterscheiden sich in vielerlei Hinsicht, sollten aber generell zu sehr ähnlichen, angepassten Modellen führen.

library(nlme)
library(lme4)
m1.nlme <- lme(Reaction~Days,random=~Days|Subject,data=sleepstudy,method="REML")
m1.lme4 <- lmer(Reaction~Days+(Days|Subject),data=sleepstudy,REML=TRUE)
all.equal(fixef(m1.nlme),fixef(m1.lme4))
## [1] TRUE

Unterschiede zu berücksichtigen:

• Formel-Syntax ist etwas anders
• nlme ist (noch) etwas besser dokumentiert (z. B. Pinheiro und Bates 2000 Mixed-Effekt-Modelle in S-PLUS , siehe jedoch Bates et al. 2015 Journal of Statistical Software / vignette("lmer",package="lme4") für lme4 )
• lme4 ist schneller und ermöglicht eine einfachere Anpassung gekreuzter zufälliger Effekte
• nlme liefert p-Werte für lineare gemischte Modelle, lme4 erfordert Zusatzpakete wie lmerTest oder afex
• nlme ermöglicht die Modellierung von Heteroskedastizität oder nlme (in Raum / Zeit / Phylogenie)

Die inoffizielle GLMM-FAQ enthält weitere Informationen, obwohl sie sich auf generalisierte lineare gemischte Modelle (GLMMs) konzentriert.