Karışık efekt modelleri için nlme veya lme4 R kütüphanesi nasıl seçilir?


85

Birkaç karışık efekt modeline (özellikle uzunlamasına modellere) uyum sağladım lme4, Rancak modellere ve onlarla birlikte gelen kodlara gerçekten hakim olmak istiyorum.

Ancak, iki ayağımla dalmadan önce (ve bazı kitapları satın alırken) doğru kütüphaneyi öğrendiğimden emin olmak istiyorum. Şimdiye lme4kadar kullanmıştım çünkü daha kolay buldum nlme, ancak nlmeamaçlarım için daha uygunsa onu kullanmam gerektiğini hissediyorum.

Eminim ne basit bir şekilde "daha iyi" de değildir, ancak bazı görüşlere veya düşüncelere değer veririm. Ana kriterlerim:

  1. kullanımı kolay (Eğitim alan bir psikoloğum ve özellikle istatistik veya kodlama konusunda bilgili değil, ancak öğreniyorum)
  2. Boylamsal verinin sığdırılması için iyi özellikler (eğer burada bir fark varsa - ama bunun için çoğunlukla kullanıyorum)
  3. iyi (yorumlaması kolay) grafik özetler, yine burada bir fark olup olmadığından emin değilim, ancak genellikle insanlar için benden daha az teknik grafikler oluşturuyorum, bu yüzden hoş net alanlar her zaman iyidir (kafesdeki xyplot işlevine çok düşkünüm) () bu yüzden).

Her zamanki gibi, umarım bu soru çok belirsiz değildir ve herhangi bir bilgelik için şimdiden teşekkür ederiz!

Yanıtlar:


68

Her iki paket kullanmak Latticearka uç olarak değil nlmegibi bazı güzel özelliklere sahiptir groupedData()ve lmList()eksik olduğunu lme4(IMO). Pratik açıdan bakıldığında, en önemli iki kriter görünmektedir:

  1. lme4nlmediğer bağlantı işlevleriyle birlikte uzanır : içinde nlme, dağıtımı gauss olmayan sonuçlara uyamazsınız, lme4örneğin karma efektli lojistik regresyona uymak için kullanılabilir.
  2. olarak nlme, rastgele etkilerin varyans kovaryans matrisi belirlemek mümkündür (örneğin, bir AR (1)); içinde mümkün değil lme4.

Şimdi, lme4C kısmı ve seyrek matrislerin kullanımı sayesinde çok sayıda rastgele etkiyi (bu nedenle, belirli bir çalışmada kişi sayısı) kolayca idare edebilir. nlmePaket biraz yerini aldığı lme4İnsanların eklentileri üstünde gelişen fazla vakit beklemeyin böylece nlme. Şahsen, lme4modelimde sürekli bir yanıt aldığımda, her iki paketi de kullanmaya meyilliyim, ancak şimdi GLMM'yi takma yoluna gidiyorum.

Bir kitap satın almak yerine, ilk önce Doug Bates'un R-forge: lme4: R ile Karma Modelleme taslak kitabına bir göz atın .


5
@ 2) daha kesin olarak, lme4ya bir çapraz kovaryans yapısı (yani bağımsız rastgele etkiler) ya da yapılandırılmamış kovaryans matrisleri (yani tüm korelasyonların tahmin edilmesi gerekir) ya da rastgele etkiler için kısmen çapraz, kısmen yapılandırılmamış kovaryans matrisleri belirleyebilirsiniz. Ayrıca, birçok uzunlamasına veri durumu için daha uygun olabilecek özelliklerde üçüncü bir fark daha eklerdim: nlmeKalıntılar için varyans-kovaryans yapıları (örneğin mekansal veya zamansal otokorelasyon veya heteroskedastiklik) belirtelim lme4.
Fabians

@fabians (+1) Ah, teşekkürler! Fark etmemiştim lme4farklı VC yapılarını seçmenize olanak tanır. Kendi cevabınıza, sahip olabileceğiniz diğer fikirlerle birlikte eklemeniz daha iyi olacaktır. Oy vereceğim. Btw, ben de lmList()mevcut olduğunu fark ettim lme4. Bu konuda R-sig-ME ile ilgili bazı tartışmaları hatırlıyorum.
chl

Daha hızlı bir alternatif var mı? Büyük veri setlerine sahip modellere uymam ve bilgisayarımda neredeyse bir saatimi yarım almam gerekiyor. Pek çok hızlı regresyon paketi var, ancak hiçbiri rastgele etkilerle başa çıkacak gibi görünmüyor.
skan

52

Belirtildiği gibi, temel fark, rastgele etkiler için ne tür bir varyans-kovaryans yapısını belirtebileceğinizdir. İçinde lme4ikisini de belirtebilirsiniz:

  • köşegen kovaryans yapıları (yani, sözdizimi benzeri ile karşılıklı olarak ilişkisiz rastgele etkileri zorlamak ~ (1 | group)+ (0 + x1 | group) + (0 + x2 | group))
  • veya yapılandırılmamış kovaryans matrisleri (yani tüm korelasyonların tahmin edildiği, ~ (1 + x1 + x2 | group))
  • ya da (kısmen çapraz kısmen yapısal olmayan kovaryans y ~ (1 + x1 | group) + (0 + x2 | group)rastgele kesişim ve rastgele eğim arasında bir korelasyon tahmin ediyorum, x1ancak rastgele eğim arasında bir korelasyon x2ve rasgele kesişim ve rastgele eğim arasında x2ve rastgele eğim x1).

nlmerastgele etkiler için çok daha geniş bir kovaryans yapısı sınıfı sunar. Ancak benim deneyimim esnekliğin lme4çoğu uygulama için yeterli olduğudur.

Ayrıca, birçok uzunlamasına veri durumu için daha önemli olabilecek özelliklerde üçüncü bir fark daha eklerdim: nlme Artık arta kalanlar için varyans-kovaryans yapıları (örn., Uzamsal veya zamansal otokorelasyon veya heteroskedastiklik veya eşdeğer bağımlı değişkenlik) weightsargümanında (cf ?varFunc), lme4sadece gözlemler için önceden belirlenmiş ağırlıklar olmasına rağmen .

Dördüncü bir fark, bu nlmebir konu dışı iken, kısmen rastgele çarpı rastgele etkilere uymanın zor olabileceğidir lme4.

Buna sadık kalırsan muhtemelen iyi olacaksın lme4.


1
(Belirttiğin gibi) istisna dışında, geçici otokorelasyonu nlme ile birleştirebilme, ancak lme4'e eklememe. Veri kümesi yeterince büyükse ve veriler bu tür bir yapıya sahipse, nlme'nin büyük bir avantajı olabilir.
Ben Bolker

22

Diğerleri farklılıkları çok iyi özetledi. Benim izlenimim, lme4özellikle çapraz rastgele efektler kullanmanız gerektiğinde kümelenmiş veri kümeleri için daha uygundur. Yinelenen önlemler için tasarımlar (birçok uzunlamasına tasarım dahil), nlmesadece nlmeartıklar için bir korelasyon yapısının belirlenmesini desteklediğinden dolayı araçtır . Bunu bir nesneyle correlationsveya corargümanını kullanarak yaparsınız corStruct. Aynı zamanda bir varFuncnesneyi kullanarak heteroseksüelliği modellemenizi sağlar .


13

Aslında R'de lme4ve ötesindeki karma efekt modellerinin yerleştirilmesi için bir takım paketler vardır nlme. Güzel Orada wiki çok güzel sahip karışık modeller için Ar özel ilgi grubu tarafından işletilen, SSS ve farklı paketler karşılaştıran sayfa .

Aslında lme4ve kullanma hakkındaki görüşlerime gelince nlme: lme4Temel R formülünün sözdiziminin doğrudan uzantısı nedeniyle genel olarak kullanımı daha kolay buldum . (Genelleştirilmiş ilave modellerle çalışmanız gerekiyorsa, gamm4paket bu sözdizimini bir adım daha uzatır ve böylece güzel ve düzgün bir öğrenme eğrisine sahip olursunuz.) Diğerlerinin de belirttiği gibi, lme4genelleştirilmiş modelleri (diğer bağlantı fonksiyonları ve hata dağılımları) ele alabilir. nlmeGaussian link fonksiyonuna odaklanması, genel durum için çok zor olan bazı şeyler yapmasına izin verir (kovaryans yapısını ve bazılarını serbest bırakma derecesine bağlı olan, p-değerleri gibi hareket ettirmenizi tavsiye ederim. uzakta!).

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.