lme ve lmer karşılaştırma

Biri beni bu iki işlev arasındaki mevcut farklılıklar hakkında aydınlatabilir mi diye merak ediyordum. Aşağıdaki soruyu buldum: Karma efekt modelleri için nlme veya lme4 R kütüphanesi nasıl seçilir? , ama bu birkaç yıl önceye dayanıyor. Bu yazılım çevrelerinde bir ömür boyu.

Özel sorularım:

lmeBununla lmerbaşa çıkamayan herhangi bir korelasyon yapısı var mı?
lmerPanel verileri için kullanmak mümkün mü / tavsiye edilir mi?

Bu biraz temel ise özür dilerim.

Biraz daha fazla ayrıntı: panel verileri, aynı kişiler üzerinde, zaman içinde farklı noktalarda birden fazla ölçüm yaptığımız yerdir. Genelde, uzun yıllar boyunca tekrar eden / uzun vadeli müşteriler için verilerinizin olabileceği bir iş bağlamında çalışıyorum. Zaman içinde değişime izin vermek istiyoruz, ancak her ay veya yıl için sahte bir değişkene açıkça uymak yetersizdir. Ancak, lmerbu tür veriler için uygun aracın olup olmadığını veya lmesahip olan otokorelasyon yapılarına ihtiyacım olup olmadığına karar veremiyorum .

r mixed-model lme4-nlme

— Hong Ooi
kaynak

Bu cevap hala güncel. lmeryine de bunu yapan korelasyon ve varyans yapılarının çeşitliliğini ele lmealmaz ve durumu anladığım gibi muhtemelen asla yapmaz.

— Aaron - Monica

@Aaron Cevap için teşekkürler. İkinci kısım için bu, lmerpanelin veri setini kullanma yeteneğini etkiler mi? Yoksa belirli bir korelasyon varsayımı yapmadan kaçabilir miyim?

— Hong Ooi

@Aaron, düzelt / var yapıları işlemek "asla" demeyi bilmiyorum - Bu özellikleri eklemekle ilgileniyorum ve bunun zor olacağını düşünmüyorum - ama kesinlikle söyleme derdim " nefes". Panel verilerini, lmerbunların üstesinden gelmek için neyin gerekli olduğunu bilecek kadar tanımadım ... Hong, gerekli istatistiksel özellikleri biraz daha ayrıntılı olarak tanımlayan veya işaretçiler veren soruya kısa bir açıklama ekleyebilir misiniz?

— Ben Bolker

@BenBolker Bazı detaylar eklendi.

— Hong Ooi

lmerYılın rasgele bir etkisi ve müşterinin rastgele bir etkisi ile oldukça iyi olacağını söyleyebilirim (Diyelim ki, yılda müşteri başına sadece bir ölçümünüz var); Genel (sabit etkili) bir zaman trendi takmışsanız, rastgele bir müşteri bazında etkileşimi de göz önünde bulundurmalısınız (örn. rastgele eğimler). İdeal olarak, her bir müşterinin zaman serisinde geçici olarak otomatik korelasyona izin vermek istersiniz, ki şu anda

— lmer

Yanıtlar:

GÜNCELLEME HAZİRAN 2016:

Lütfen Ben'in blog girişini şu konudaki başarısını düşündüğü blog girişine bakın lme4: Braindump 01 Haziran 2016

Bayesian yöntemlerini tercih ederseniz, brmspaketin brmbazı korelasyon yapılarını destekler: CRAN brms sayfası . (Özellikle not: "brms sürüm 0.6.0'dan itibaren, AR yapısı, artıkların, adlandırma ve uygulama ile nlme gibi diğer paketlerde eşleşmesi için otoregressive etkilerini ifade eder. İkincisi şimdi ARR etkileri olarak adlandırılmış ve cor_arma ve cor_arr işlevlerinde r argümanı kullanılarak modellenebilir. ")

Orijinal cevap 2013 temmuz:

(Bir yorumdan dönüştürüldü.)

lmerYılın rasgele bir etkisi ve müşterinin rastgele bir etkisi ile oldukça iyi olacağını söyleyebilirim (Diyelim ki, yılda müşteri başına sadece bir ölçümünüz var);

lmer(y~1 + (1|year) + (1|customer), ...)

(sadece engelleme) modeline uyar

Y_{i j} \sim Normal (a + ϵ_{year, i} + ϵ_{customer, j}, σ_{0}^{2})

$Y_{ij} \sim \text{Normal}(a + \epsilon_{\text{year},i} + \epsilon_{\text{customer},j}, \sigma^2_0)$ nerede ve sıfır ortalamadır Normal kendi varyasyonlarına göre değişir.

ϵ_{year}

$\epsilon_{\text{year}}$

ϵ_{customer}

$\epsilon_{\text{customer}}$

Bu oldukça sıkıcı bir model, genel (sabit etki) bir zaman trendi eklemek ve ayrıca müşteri tarafından rastgele bir zaman etkileşimi (yani rastgele eğimler) düşünebilirsiniz. bence

lmer(y~year + (1|year) + (year|customer), ...)

modeline

Y_{ben j} ~ Normal ((bir + ε_{müşteri, j}) + (b + ε_{yıl x müşteri, j}) \cdot yıl + ε_{yıl, ben}, σ_{0}^{2})

$Y_{ij} \sim \text{Normal}((a + \epsilon_{\text{customer},j}) + (b + \epsilon_{\text{year} \times \text{customer},j}) \cdot \text{year} + \epsilon_{\text{year},i}, \sigma^2_0)$

( yearbu şekilde kullanılması , aynı modelde hem takılı hem de rastgele bir etki olarak bir giriş değişkeni içermemesinin olağan bir istisnasıdır; sayısal bir değişkeni olması koşuluyla year, sabit efektte sürekli olarak kabul edilir ve year:customer(rastgele) Etkileşim ve rastgele etki kategorik olarak ...)

Elbette, ilgili varyansın bazılarını emen yıl düzeyi, müşteri düzeyi ve gözlem düzeyi değişkenleri eklemek isteyebilirsiniz (örneğin, yılların neden kötü veya iyi olduğunu açıklamak için ortalama tüketici fiyat endeksi ekleyin ...)

İdeal olarak, şu anda mümkün olmayan her müşterinin zaman serisinde geçici otokorelasyona izin vermek istersiniz lmer, ancak bunun önemli olup olmadığını görmek için zamansal otokorelasyon işlevini kontrol edebilirsiniz ...

Uyarı : Panel verilerinin işlenmesi için standart yaklaşımlar hakkında fazla bir şey bilmiyorum; bu sadece karışık modeller hakkındaki bilgilerime dayanıyor. Ekonometrideki standart / en iyi uygulamaları ihlal ettiği görülüyorsa, yorum yapanlar (veya editörler) bu konuda endişelenmekten çekinmelidir.

— Ben Bolker
kaynak

X \sim N (μ, σ^{2})

$X \sim N(\mu, \sigma^2)$

X

$X$

μ

$\mu$

σ^{2}

$\sigma^2$

Y_{i j}

$Y_{ij}$

N- (bir, σ_{0}^{2} + σ_{y e bir r}^{2} + σ_{c u s t}^{2})

$N(a,\sigma^{2}_0 + \sigma^{2}_{year} + \sigma^{2}_{cust})$

a + b \cdot y e a r

$a+b \cdot {\rm year}$

Evet, teşekkürler Ben. Uygulamada yaş, cinsiyet ve tüm olağan şüpheliler gibi sabit etkiler de olacaktır. @ Macro: Ben haklı, inanıyorum.

— Hong Ooi

μ

$\mu$

Y \sim Normal (X β + Z u, σ^{2}); u \sim MVNormal (0, Σ); Σ = f (θ)

$Y \sim \text{Normal}(X \beta + Z u, \sigma^2); u \sim \text{MVNormal}(0,\Sigma); \Sigma=f(\theta)$

@BenBolker: Potansiyel bir güncelleme istediğim için bu soruya bir ödül koyduğumu fark ettiniz mi?

— S. Kolassa - Monica'yı

Daha önce üzerinde çalıştığım bazı şeyleri henüz yayınladım. Rawgit.com/bbolker/mixedmodels-misc/master/notes/… ; Cevabımda ilgili bitleri dahil etmek için uğraşmaya çalışacağım (alternatif olarak, bu bilgilere dayanarak kendi cevabını gönderebilir veya sorularımı düzenleyebilir!)

— Ben Bolker 22

Sorularınıza doğrudan cevap vermek için, ve NB, asıl gönderiden yıllar sonra!

Evet, yine de, Ime4'ün idare edemeyeceği kolları idare eden korelasyon yapıları var. Bununla birlikte, nlme kullanıcının genel corstrs tanımlamasına izin verdiği ve lme4'ün yapmadığı sürece, böyle olacaktır. Bu şaşırtıcı derecede az pratik etkiye sahiptir. "Büyük üç" korelasyon yapısı: Bağımsız, Değiştirilebilir ve AR-1 korelasyon yapıları her iki paket tarafından da kolayca yönetilebilir.
Kesinlikle mümkün . Sen edebilir panel veri sığdırmak lmçok fonksiyonu! Hangisini kullanacağınıza dair tavsiyem soruna bağlı. lme4çok daha küçük bir araç kitidir ve formül temsili bazı yaygın karışık efekt modellerini göstermenin zarif ve özlü bir yoludur. nlmeİhtiyacınız olan tüm araçları yapmak için bir TIG kaynak makinesi içeren çok büyük alet kutusudur.

"Zaman içindeki değişime" izin vermek istediğinizi söylüyorsunuz. Temel olarak, değişebilir bir korelasyon yapısı, her kümede rastgele bir kesişmeye izin vererek bunu sağlar, böylelikle küme içi varyans, zaman içindeki küme seviyesi varyasyonunun yanı sıra (ne dediğiniz) varyasyonun toplamıdır. Bu da zamanla daha kesin tahminler almak için sabit efektler kullanmanıza engel olmuyor.

— Adamo
kaynak

Hmm. Kişi lme4'te AR-1 korelasyonunu nasıl kullanabilir?

— amip diyor Reinstate Monica