Lmer modelimi doğru olarak mı belirliyorum?


9

Google'ı ve bu siteyi inceledim ve hala lme4 kütüphanesindeki lmer işlevi hakkında kafam karıştı.

Çok düzeyli bir yapıya sahip olan farklı psikiyatri servislerinden toplanan bazı verilerim var. Basitleştirmek için iki seviye 2 ve iki seviye 1 değişkeni seçeceğim, ancak aslında birkaç tane daha var.

Seviye 2- WardSize [koğuştaki kişi sayısı] & WAS [bu koğuşun ne kadar “güzel” olduğunun bir ölçüsüdür]

R'ye kimin koğuşta "Koğuş" denildiğini söyleyen gruplama değişkeni

Birinci seviye- Cinsiyet [bu açıkça cinsiyettir] ve BSITotal [bu belirti şiddetinin bir ölçüsüdür]

Sonuç, yine kulağa nasıl geldiği Selfreject'tir.

Bu formüle sahibim:

Yardım = llmer (formül = Selfreject ~ WardSize + + Cinsiyet WAS + BSITotal + (1 | Ward))

Bunun, "her bireyin kendi Cinsiyet ve semptom şiddeti ile ilgili bir puanı olduğu ve aynı zamanda koğuşun büyüklüğü ve ne kadar" güzel "olduğuna ilişkin bir koğuş düzeyinde etkisi olduğu anlamına gelmesini umuyorum.

Bu doğru mu? Beni şaşırtan şey, R'nin hangi seviye 1 ve hangi seviye 2 değişkenleri olduğunu nasıl anlayabildiğimi göremiyorum, sonunda verilen koğuş seviyesi kesişim hariç.

Eğer kimse benimseme gibi bir aptal bunu daha iyi olacağını anlayabilir.

Çok teşekkürler!

Yanıtlar:


11

Model spesifikasyonunuz iyi.

Lmer'de (1 | Ward) ile yaptığınız gibi belirtilen Ward için değişen kesişme, her bir koğuştaki konuların WardSize veya Cinsiyet dışındaki nedenlerle Selfreject'te birbirine daha yakın olabileceğini söylüyor, bu nedenle koğuş arasında heterojenlik.

"1" i, kesişmenin uygun olduğu verilerde 1s sütunu (yani sabit) olarak düşünebilirsiniz. Genellikle "1" lm cinsinden otomatik olarak ifade edilir, örneğin

lm(Y ~ X1 + X2)

aslında belirtir

lm(Y ~ 1 + X1 + X2)

Artık temel modelinize sahip olduğunuza göre, "BSItotal ve Selfreject arasındaki ilişki servisler arasında farklılık gösteriyor mu?"

lmer(formula=Selfreject ~ WardSize + WAS + Gender + BSITotal + (1 + BSITotal | Ward))

Yani, BSITotal'in hem kesişmesi hem de eğimi, servisler arasında farklılık gösterebilir.

Henüz almadıysanız, Gelman & Hill'in Regresyon ve Çok Düzeyli Model / Hiyerarşik Modeller Kullanarak Veri Analizi , bu tür modelleri lmer ile açıklayan harika bir kitaptır.


1

İşte Douglas Bates'in (lme4 yazan) bir açıklaması için sabit efektlerin seviyesini belirtmenin neden gerekli olmadığına dair bir bağlantı .


2
Siteye hoş geldiniz, @Breyer. Bunun faydalı bir katkı olduğundan şüpheleniyorum. Oradaki argümanın kısa bir özetini vermek ister misiniz, böylece okuyucular aradıklarına mı yoksa gelecekteki linkrotlara mı karar verebilirler?
gung - Monica'yı eski durumuna getirin

2
Hoşgeldin @gung için teşekkürler. Tabii ki Bates, lme4 paketi çok seviyeli / hiyerarşik modeller dahil ancak bunlarla sınırlı olmamak üzere karışık modeller için yazıldığından sabit efektler için seviyeler belirtmenin gerekli olmadığını açıklıyor. Bu, hesaplama yöntemlerinin, hesaplamada iç içe veri yapısından yararlanan özel çok düzeyli regresyon yazılımlarında (HLM vb.) Olduğu gibi, düzeylerin özelliklerine bağlı olmadığı anlamına gelir.
Breyer
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.