R Language
Hierarchiczne modelowanie liniowe

podstawowe dopasowanie modelu

przeprosiny : ponieważ nie znam kanału do dyskusji / udzielania opinii na temat wniosków o ulepszenie, postawię tutaj moje pytanie. Proszę wskazać na to lepsze miejsce! @DataTx stwierdza, że jest to „całkowicie niejasne, niekompletne lub ma poważne problemy z formatowaniem”. Ponieważ nie widzę żadnych dużych problemów z formatowaniem (:-)), przydałoby się trochę więcej wskazówek na temat tego, czego można się spodziewać w celu poprawy jasności lub kompletności oraz dlaczego tego, co jest tutaj niemożliwe do odzyskania, byłoby przydatne.

Podstawowymi pakietami do dopasowania hierarchicznych (alternatywnie „mieszanych” lub „wielopoziomowych”) modeli liniowych w R są nlme (starsze) i lme4 (nowsze). Pakiety te różnią się na wiele drobnych sposobów, ale generalnie powinny skutkować bardzo podobnymi dopasowanymi modelami.

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

Różnice do rozważenia:

• składnia formuły jest nieco inna
• nlme jest (nadal) nieco lepiej udokumentowany (np. modele Pinheiro i Bates 2000 z efektami mieszanymi w S-PLUS ; jednak patrz Bates i wsp. 2015 Journal of Statistics Software / vignette("lmer",package="lme4") dla lme4 )
• lme4 jest szybszy i pozwala na łatwiejsze dopasowanie skrzyżowanych efektów losowych
• nlme dostarcza wartości p dla liniowych modeli mieszanych, lme4 wymaga pakietów dodatkowych, takich jak lmerTest lub afex
• nlme umożliwia modelowanie nlme lub korelacji resztkowych (w czasoprzestrzeni / filogenezie)

Nieoficjalne FAQ GLMM zawiera więcej informacji, chociaż koncentruje się na uogólnionych liniowych modelach mieszanych (GLMM).