Lme4'te çok değişkenli karışık bir modelin katsayıları genel kesinti olmadan nasıl yorumlanır?

Çok değişkenli (yani, çoklu yanıt) karışık bir model yerleştirmeye çalışıyorum R. ASReml-rVe SabreR(harici yazılım gerektiren) paketlerinin yanı sıra , bunun sadece mümkün olduğu görülmektedir MCMCglmm. Olarak kağıt birlikte MCMCglmmpaketi (pp.6), Jarrod'ın Hadfield, bir uzun biçim değişken birden çok tepki değişkenleri yeniden şekillendirilmesi ve sonra genel kesişme bastırma benzerleri gibi bir model montaj işlemi. Anladığım kadarıyla, kesişimin bastırılması, cevap değişkeninin her seviyesi için katsayı yorumlamayı o seviyenin ortalaması olacak şekilde değiştirir. Yukarıdakiler göz önüne alındığında, bu nedenle çok değişkenli bir karma modelin kullanılması mümkün müdür lme4? Örneğin:

data(mtcars)
library(reshape2)
mtcars <- melt(mtcars, measure.vars = c("drat", "mpg", "hp"))
library(lme4)
m1 <- lmer(value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)),
    data = mtcars)
summary(m1)
#  Linear mixed model fit by REML 
#  Formula: value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)) 
#     Data: mtcars 
#   AIC   BIC logLik deviance REMLdev
#   913 933.5 -448.5    920.2     897
#  Random effects:
#   Groups       Name        Variance Std.Dev.
#   factor(carb) (Intercept) 509.89   22.581  
#   Residual                 796.21   28.217  
#  Number of obs: 96, groups: factor(carb), 6
#  
#  Fixed effects:
#                    Estimate Std. Error t value
#  variabledrat:gear  -7.6411     4.4054  -1.734
#  variablempg:gear   -1.2401     4.4054  -0.281
#  variablehp:gear     0.7485     4.4054   0.170
#  variabledrat:carb   5.9783     4.7333   1.263
#  variablempg:carb    3.3779     4.7333   0.714
#  variablehp:carb    43.6594     4.7333   9.224

Bu modeldeki katsayıları nasıl yorumlayabiliriz? Bu yöntem genelleştirilmiş doğrusal karışık modeller için de işe yarar mı?

Fikriniz iyi, ancak örneğinizde, her özellik için farklı kesişme ve farklı rastgele varyansları modellemeyi unuttunuz, bu nedenle çıktınız olduğu gibi yorumlanamaz. Doğru bir model:

m1 <- lmer(value ~ -1 + variable + variable:gear + variable:carb + (0 + variable | factor(carb))

Bu durumda, her değişken üzerindeki sabit etki tahminlerini alırsınız (örneğin, variabledrat:gearyordayıcının gearyanıt üzerindeki etkisi drat), ancak her değişken (örneğin variabledratyanıtın kesişmesi için drat) ve rasgele için kesişme elde edersiniz. her değişkenin varyansı ve değişkenler arasındaki korelasyonlar:

Groups       Name         Std.Dev. Corr     
 factor(carb) variabledrat 23.80             
              variablempg  24.27    0.20     
              variablehp   23.80    0.00 0.00
 Residual                  23.80       

Bu yöntemlerin daha ayrıntılı bir açıklaması Ben Bolker tarafından ve ayrıca MCMCglmmBayesci bir çerçevede kullanımı ile yazılmıştır . Başka bir yeni paket, mcglmnormal olmayan yanıtlarla bile çok değişkenli modelleri işleyebilir, ancak rastgele tasarım matrislerinizi kodlamanız gerekir. Bir eğitici yakında hazır olacaktır (R yardım sayfasına bakın).