R Language
Modelado lineal jerárquico

ajuste básico modelo

disculpas : como no conozco un canal para discutir / proporcionar comentarios sobre las solicitudes de mejora, voy a poner mi pregunta aquí. Por favor, siéntase libre de señalar un lugar mejor para esto! @DataTx afirma que esto es "completamente claro, incompleto o tiene problemas graves de formato". Dado que no veo ningún problema importante de formato (:-)), sería útil contar con más información sobre lo que se espera aquí para mejorar la claridad o la integridad, y por qué lo que hay aquí es insalvable.

Los paquetes primarios para ajustar modelos lineales jerárquicos (alternativamente "mixtos" o "multinivel") en R son nlme (más antiguo) y lme4 (más nuevo). Estos paquetes difieren en muchos aspectos menores, pero en general deberían resultar en modelos ajustados muy similares.

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

Diferencias a tener en cuenta:

• la sintaxis de la fórmula es ligeramente diferente
• nlme está (aún) mejor documentado (por ejemplo, modelos de efectos mixtos de Pinheiro y Bates 2000 en S-PLUS ; sin embargo, consulte Bates et al. 2015 Journal of Statistical Software / vignette("lmer",package="lme4") para lme4 )
• lme4 es más rápido y permite un ajuste más fácil de los efectos aleatorios cruzados
• nlme proporciona valores de p para modelos lineales mixtos lme4 , lme4 requiere paquetes adicionales como lmerTest o afex
• nlme permite el modelado de heteroscedasticidad o correlaciones residuales (en espacio / tiempo / filogenia)

Las preguntas frecuentes no oficiales de GLMM brindan más información, aunque se centran en modelos mixtos lineales generalizados (GLMM).