Lmer cinsinden varyans-kovaryans matrisi

Karışık modellerin avantajlarından birinin, veriler için varyans-kovaryans matrisi (bileşik simetri, otoregresif, yapılandırılmamış, vb.) Belirtmelerine izin vermesidir. Ancak, lmerR'deki fonksiyon bu matrisin kolay tanımlanmasına izin vermez. Herkes hangi yapının lmervarsayılan olarak kullandığını ve neden kolayca belirtmenin bir yolu olmadığını biliyor mu?

Karışık modeller, varyans bileşenleri modellerinin (genelleştirilmiş versiyonları). Sabit etkiler bölümünü yazar, bazı gözlem grupları için ortak olabilecek hata terimleri ekler, gerekirse bağlantı işlevi ekler ve bunu bir olasılık maksimize edicisine koyarsınız.

Bununla birlikte, tanımladığınız çeşitli varyans yapıları, çıkarımın sağlamlığı için karışık / çok düzeyli modellerin esnekliklerinden bazılarını değiştiren genelleştirilmiş tahmin denklemleri için çalışma korelasyon modelleridir. GEE'lerle, yalnızca sabit parça üzerinde çıkarım yapmakla ilgileniyorsunuz ve karışık bir modelde olduğu gibi varyans bileşenlerini tahmin etmemekte sorun yok. Bu sabit etkiler için, korelasyon yapınız yanlış yazılmış olsa bile uygun olan sağlam / sandviç bir tahmin elde edersiniz. Yine de, model yanlış tanımlanırsa, karma model için çıkarım bozulur.

Bu nedenle, çok fazla ortak noktaya sahipken (çok düzeyli bir yapı ve kalıntı korelasyonları ele alma yeteneği), karışık modeller ve GEE'ler hala biraz farklı prosedürlerdir. GEE'lerle ilgilenen R paketi uygun şekilde çağrılır geeve corstrseçeneklerin olası değerleri listesinde bahsettiğiniz yapıları bulacaksınız.

GEE'ler açısından, lmerdeğiştirilebilir korelasyonlarla çalışır ... en azından modelin iki hiyerarşi seviyesi olduğunda ve sadece rastgele kesişmeler belirtildiğinde.

Lmer'in FlexLamba dalı böyle bir işlevsellik sağlar.

Belirli bir hata veya rastgele efekt yapısının nasıl uygulanacağına ilişkin örnekler için https://github.com/lme4/lme4/issues/224 adresine bakın .

Bildiğim kadarıyla lmer bunu ele almanın "kolay" bir yoluna sahip değil. Ayrıca çoğu durumda lmer'in Cholesky faktorizasyonu için seyrek matrisleri yoğun olarak kullandığı göz önüne alındığında, tamamen yapılandırılmamış VCV'lere izin vermesinin pek olası olmadığını düşünüyorum.

$(1|RandEff_1)+(1|RandEff_2)$

$R = \begin{bmatrix} \sigma_{RE1}^2 & 0& 0 & & 0 & 0 & 0\\ 0 & \sigma_{RE1}^2& 0 & & 0 & 0 & 0\\ 0 & 0& \sigma_{RE1}^2 & & 0 & 0 & 0\\ 0& 0& 0 & & \sigma_{RE2}^2 & 0 & 0 \\ 0 & 0& 0 & & 0 & \sigma_{RE2}^2 & 0\\ 0& 0& 0 & & 0& 0 & \sigma_{RE2}^2 \\\end{bmatrix}$

Ancak LME'lerde her şey kaybolmaz: Bu VCV matris niteliklerini "kolayca" belirtebilirsiniz, R-paketi MCMCglmm kullanıyorsunuzdur. CourseNotes.pdf , s.70 bölümüne bakın . Bu sayfada, lme4 rastgele efekt yapısının nasıl tanımlanacağına dair bazı analoglar veriyor, ancak kendinizi göreceğiniz gibi, lmer bu konuda MCMCglmm'den daha az esnektir.

Yarı yolda nlme's lme corStruct sınıfları vardır, örn. corCompSymm , corAR1 vb gibi Fabian tepkisi , bu taban yüzünün içinde lme4 tabanlı VCV özellikleri için biraz daha kısa örnekler verir ama olarak GeKa MCMCglmm veya nlme içinde olduğu değildir daha önce olduğu gibi söz.