Lme4, nlme, baysian regresyon paketi veya mevcut olan herhangi bir modeli kullanarak karma modele uymak istiyorum.
Asreml-R kodlama kurallarında karma model
spesifikasyonlara girmeden önce, ASREML kodlarına aşina olmayanlar için asreml-R sözleşmeleri hakkında ayrıntılı bilgi edinmek isteyebiliriz.
y = Xτ + Zu + e ........................(1) ; olağan karışık model, y, x × gözlem vektörünü belirtir; burada τ, sabitlenmiş efektlerin p × 1 vektörüdür, X, gözlemleri uygun sabitlenmiş efekt kombinasyonuyla ilişkilendiren tam sütun sıralamasının bir n × p tasarım matrisidir. , u rastgele efektlerin q × 1 vektörü, Z gözlemleri rastgele rastgele efektlerin kombinasyonuyla ilişkilendiren n × q tasarım matrisidir ve e artık hataların n × 1 vektörüdür. doğrusal karma model veya doğrusal karma efekt modeli. Varsayıldı
burada G ve R matrisleri sırasıyla γ ve φ parametrelerinin fonksiyonlarıdır.
Θ parametresi, scale parametresi olarak bahsedeceğimiz bir varyans parametresidir.
Birden fazla kalıntı varyansı olan karma efekt modellerinde, örneğin birden fazla bölüm veya değişkenli verilerin analizinde ortaya çıkan, θ parametresi bire sabitlenir. Tek bir rezidüel varyansa sahip karışık efekt modellerinde θ rezidüel varyansa (σ2) eşittir. Bu durumda R, korelasyon matrisi olmalıdır. Modeller hakkında daha ayrıntılı bilgi Asreml kılavuzunda (bağlantı) bulunmaktadır .
Hatalar için varyans yapıları: R yapıları ve rastgele etkiler için varyans yapıları: G yapıları belirtilebilir.
asreml () 'de varyans modellemesi, direkt ürünler üzerinden varyans yapılarının oluşumunu anlamak önemlidir. Her zamanki en küçük kareler varsayımı (ve asreml () 'de varsayılan değer, bunların bağımsız ve aynı şekilde dağılmış olmasıdır (IID). Bununla birlikte, veriler, c sütunlarına göre dikdörtgen bir r satır dizisinde ortaya konan bir alan denemesinden geliyorsa, diyelim ki, artıkları e bir matris olarak düzenleyebilir ve potansiyel olarak satırlar ve sütunlar içinde otomatik olarak korelasyonlandığını düşünebiliriz. alan sırasına göre bir vektör, yani sütunlar içindeki artık satırlarını sıralayarak (bloklar içindeki çizimler) artıkların varyansı
sıralı model (sıra r, otokorelasyon parametresi ½r) ve sütun modeli (sıra c, otokorelasyon parametresi ½c) için korelasyon matrisleridir. Daha spesifik olarak, iki boyutlu ayrılabilir otoregresif bir uzaysal yapının (AR1 x AR1) bazen bir saha denemesi analizindeki yaygın hatalar için olduğu varsayılır.
Örnek veriler:
nin89, dikdörtgen alandaki kopyalar / bloklarda farklı çeşitlerin yetiştirildiği asreml-R kütüphanesinden alınmıştır. Satır veya sütun yönünde ek değişkenliği kontrol etmek için her bir çizime Satır ve Sütun değişkenleri (satır sütunu tasarımı) denir. Böylece bu satır sütun tasarımı ile engelleme. Verim değişkendir.
Örnek modeller
Asreml-R kodlarına eşdeğer bir şeye ihtiyacım var:
Basit model sözdizimi aşağıdaki gibi görünecektir:
rcb.asr <- asreml(yield ∼ Variety, random = ∼ Replicate, data = nin89)
.....model 0
Doğrusal model, sabit (gerekli), rastgele (isteğe bağlı) ve rcov (hata bileşeni) bağımsız değişkenlerinde formül nesneleri olarak belirtilir. .
burada çeşit sabit etkidir ve rastgele çoğaltır (bloklar). Rasgele ve sabit terimlerin yanı sıra hata terimini de belirleyebiliriz. Bu model 0'da varsayılan değerdir. Modelin kalıntı veya hata bileşeni, formül nesnesinde rcov argümanı aracılığıyla belirtilir, aşağıdaki modellere bakın 1: 4.
Aşağıdaki model1, hem G (rastgele) hem de R (hata) yapısının belirtildiği daha karmaşıktır.
Model 1:
data(nin89)
# Model 1: RCB analysis with G and R structure
rcb.asr <- asreml(yield ~ Variety, random = ~ idv(Replicate),
rcov = ~ idv(units), data = nin89)
Bu model yukarıdaki model 0'a eşdeğerdir ve G ve R varyans modelinin kullanımını tanıtmaktadır. Burada rastgele ve rcov seçeneği, G ve R yapılarını açıkça belirtmek için rastgele ve rcov formüllerini belirtir. Burada idv (), asreml () içindeki varyans modelini tanımlayan özel model işlevidir. İdv (birimleri) ifadesi e için varyans matrisini ölçeklendirilmiş bir kimliğe açıkça ayarlar.
# Model 2: Bir yönde korelasyonlu iki boyutlu uzamsal model
sp.asr <- asreml(yield ~ Variety, rcov = ~ Column:ar1(Row), data = nin89)nin89 deney birimleri Sütun ve Satır ile endekslenir. Bu nedenle, bu durumda iki yönde - sıra ve sütun yönünde rastgele bir değişim bekliyoruz. burada ar1 (), Row için birinci dereceden otoregresif varyans modelini belirten özel bir işlevdir. Bu çağrı, hata için iki boyutlu bir uzamsal yapı belirtir, ancak yalnızca satır yönünde uzamsal korelasyon gösterir. Sütun için varyans modeli kimliktir (id ()), ancak bu varsayılan olarak belirtilmesi gerekmez.
# model 3: iki boyutlu uzamsal model, her iki yönde hata yapısı
sp.asr <- asreml(yield ~ Variety, rcov = ~ ar1(Column):ar1(Row),
data = nin89)
sp.asr <- asreml(yield ~ Variety, random = ~ units,
rcov = ~ ar1(Column):ar1(Row), data = nin89)
yukarıdaki model 2'ye benzer, ancak korelasyon iki yönlüdür - otoregresif olan.
Açık kaynaklı R paketleri ile bu modellerin ne kadarının mümkün olduğundan emin değilim. Bu modellerden herhangi birinin çözümü bile çok yardımcı olacaktır. +50'nin bu tür bir paket geliştirmeye teşvik edebilmesi bile çok yardımcı olacaktır!
Karşılaştırma için bkz. MAYSaseen her modelden çıktı ve veriler (yanıt olarak).
Düzenlemeler: Karışık model tartışma forumunda aldığım öneri: "David Clifford'un regress ve spatialCovariance paketlerine bakabilirsiniz. Birincisi, kovaryans matrisinin yapısını çok esnek bir şekilde belirleyebileceğiniz (Gauss) karışık modellerin takılmasına izin verir. (örneğin, soyağacı verileri için kullandım). spatialCovariance paketi, AR1xAR1'den daha ayrıntılı modeller sağlamak için regress kullanıyor, ancak uygulanabilir olabilir. Bu sorunu tam olarak uygulamanız konusunda yazarla görüşmeniz gerekebilir. "
corStructin nlmeyararı olurdu ... (anizotropik korelasyon için) eğer yapabildin hepimizin aşina olmadıklarından istatistik modeller bu ASREML tablolara karşılık gelen (kelime veya denklemlerde) kısaca devlet ASREML sözdizimi ...
MCMCglmmeminim ve eminim ( spatialCovariance) Ben aşina olduğum, hangi o R halletmek için tek yol bahsi geçen yeni tanımlayarak olduğunu corStructs - mümkündür ancak önemsiz değil ki.
lme4. Eğer bunu yapmak gerekir neden (a) bize söyleyebilirlme4yerineasreml-R(b) dikkate göndermer-sig-mixed-modelsdaha alakalı uzmanlık olduğu yerde?