Karışık efekt modelinden (lme4) kasalar için eğim çıkarma

Aşağıdaki paragrafta belirtildiği gibi, karışık efekt modelinde her bireyin eğimlerini çıkarmak istiyorum

Yaş, cinsiyet ve eğitim yılı terimleri de dahil olmak üzere bilişsel özet ölçütlerdeki bireysel değişim yollarını sabit etkiler olarak karakterize etmek için karışık efekt modelleri kullanıldı (Laird ve Ware, 1982; Wilson vd., 2000, 2002c) ... Yaş, cinsiyet ve eğitimin etkilerine göre ayarlama yapıldıktan sonra karma modellerden artık, bireysel bilişsel gerileme eğim terimleri çıkarılmıştır. Daha sonra, kişiye özel, ayarlanmış rezidüel yamaçlar, genetik birleşme analizleri için nicel bir sonuç fenotipi olarak kullanıldı. Bu tahminler, bireyin eğimi ile aynı yaş, cinsiyet ve eğitim düzeyindeki bir bireyin tahmini eğimi arasındaki farka eşittir.

De Jager, PL, Shulman, JM, Chibnik, LB, Keenan, BT, Raj, T., Wilson, RS, vd. (2012). Yaşa bağlı bilişsel gerileme oranını etkileyen yaygın varyantlar için genom çapında bir tarama . Yaşlanma Nörobiyolojisi, 33 (5), 1017.e1–1017.e15.

coefHer bir birey için katsayıları çıkarmak için işlevi kullanmaya baktım , ancak kullanmak için doğru yaklaşımın bu olup olmadığından emin değilim.

Herkes bunun nasıl yapılacağı konusunda tavsiyede bulunabilir mi?

#example R code 
library(lme4)
attach(sleepstudy)  
fml <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy)
beta <- coef(fml)$Subject
colnames(beta) <- c("Intercept", "Slope")
beta

summary(beta)
summary(fm1)

Model:

library(lme4)
data(sleepstudy)
fm1 <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy)

İşlev coef, bireysel farklılıkları elde etmek için doğru yaklaşımdır.

> coef(fm1)$Subject
    (Intercept)       Days
308    253.6637 19.6662581
309    211.0065  1.8475834
310    212.4449  5.0184067
330    275.0956  5.6529540
331    273.6653  7.3973908
332    260.4446 10.1951151
333    268.2455 10.2436611
334    244.1725 11.5418622
335    251.0714 -0.2848735
337    286.2955 19.0955694
349    226.1950 11.6407008
350    238.3351 17.0814915
351    255.9829  7.4520286
352    272.2687 14.0032989
369    254.6806 11.3395025
370    225.7922 15.2897513
371    252.2121  9.4791308
372    263.7196 11.7513155

Bu değerler, sabit efektlerin ve varyans bileşenlerinin (rastgele efektler) bir kombinasyonudur. Sabit etkilerin katsayılarını elde etmek için summaryve kullanabilirsiniz coef.

> coef(summary(fm1))[ , "Estimate"]
(Intercept)        Days 
  251.40510    10.46729 

Kesişim 251.4 ve eğim (ile ilişkili Days) 10.4'tür. Bu katsayılar tüm deneklerin ortalamasıdır. Rastgele efektler elde etmek için kullanabilirsiniz ranef.

> ranef(fm1)$Subject
    (Intercept)        Days
308   2.2585637   9.1989722
309 -40.3985802  -8.6197026
310 -38.9602496  -5.4488792
330  23.6905025  -4.8143320
331  22.2602062  -3.0698952
332   9.0395271  -0.2721709
333  16.8404333  -0.2236248
334  -7.2325803   1.0745763
335  -0.3336936 -10.7521594
337  34.8903534   8.6282835
349 -25.2101138   1.1734148
350 -13.0699598   6.6142055
351   4.5778364  -3.0152574
352  20.8635944   3.5360130
369   3.2754532   0.8722166
370 -25.6128737   4.8224653
371   0.8070401  -0.9881551
372  12.3145406   1.2840295

Bu değerler deneklerin varyans bileşenleridir. Her satır bir konuya karşılık gelir. Doğal olarak her bir sütunun ortalaması sıfırdır, çünkü değerler sabit etkilere göre farklılıklara karşılık gelir.

> colMeans(ranef(fm1)$Subject)
  (Intercept)          Days 
 4.092529e-13 -2.000283e-13 

Bu değerlerin sıfıra eşit olduğunu, sapmaların kayan nokta sayısı gösteriminin belirsizliğinden kaynaklandığını unutmayın.

Sonucu coef(fm1)$Subjectincoporates rastgele etkileri içine sabit etkiler, yani, sabit etki katsayıları rastgele etkileri eklenmektedir. Sonuçlar bireysel kesişmeler ve eğimlerdir.