Yerleştirme ile Karışık Etkiler Modeli


34

Aşağıdaki şekilde düzenlenen bir deneyden toplanan veriler var:

Her biri 30 ağaçlı iki alan. 15 işlenir, 15 her yerde kontrol edilir. Her bir ağaçtan, gövdenin üç parçasını ve üç parçanın köklerini örnekliyoruz; bu nedenle, iki faktör seviyesinden (kök, gövde) biriyle temsil edilen ağaç başına 6 seviye 1 örnek. Daha sonra, bu kök / kök örneklerinden, doku tipi için iki faktör seviyesinden biri ile temsil edilen, örnek içindeki farklı dokuları disekte ederek iki örnek alırız (doku tipi A, doku tipi B). Bu örnekler sürekli değişken olarak ölçülür. Toplam gözlem sayısı 720'dir; 2 alan * 30 ağaç * (üç kök örnek + üç kök örnek) * (bir doku A örnek + bir doku B örnek). Veriler şuna benziyor ...

        ï..Site Tree Treatment Organ Sample Tissue Total_Length
    1        L  LT1         T     R      1 Phloem           30
    2        L  LT1         T     R      1  Xylem           28
    3        L  LT1         T     R      2 Phloem           46
    4        L  LT1         T     R      2  Xylem           38
    5        L  LT1         T     R      3 Phloem          103
    6        L  LT1         T     R      3  Xylem           53
    7        L  LT1         T     S      1 Phloem           29
    8        L  LT1         T     S      1  Xylem           21
    9        L  LT1         T     S      2 Phloem           56
    10       L  LT1         T     S      2  Xylem           49
    11       L  LT1         T     S      3 Phloem           41
    12       L  LT1         T     S      3  Xylem           30

R ve lme4 kullanarak karışık efektler modeline uymaya çalışıyorum, ancak karışık modeller için yeni. Yanıtı, iki seviyeye yerleştirilmiş spesifik örnekler için rastgele etkilerle Tedavi + Seviye 1 Faktörü (kök, kök) + Seviye 2 Faktörü (doku A, doku B) olarak modellemek istiyorum.

R, bunu aşağıdaki gibi lmer kullanarak yapıyorum

fit <- lmer(Response ~ Treatment + Organ + Tissue + (1|Tree/Organ/Sample)) 

Anladığım kadarıyla (... kesin değil ve neden gönderiyorum!) Terimi:

(1|Tree/Organ/Sample)

'Örnek' öğesinin, ağacın içine yerleştirilen organ örneklerinde iç içe olduğunu belirtir. Bu tür yuvalama uygun mu / geçerli mi? Üzgünüm, eğer bu soru net değilse, eğer öyleyse, lütfen nerede çalışabileceğimi belirtin.

Yanıtlar:


33

Bence bu doğru.

  • (1|Tree/Organ/Sample)için genişler / eşdeğerdir (1|Tree)+(1|Tree:Organ)+(1|Tree:Organ:Sample)( :bir etkileşimi gösterir).
  • Sabit faktörler Treatment, Organve Tissueotomatik olarak doğru seviyede ele almak.
  • Muhtemelen Sitesabit bir etki olarak eklemelisiniz (kavramsal olarak rastgele bir etkidir, ancak sadece iki site ile saha içi varyansı tahmin etmeye çalışmak pratik değildir); bu, ağaç içi değişkenliği biraz azaltacaktır.
  • Muhtemelen tüm verileri bir veri çerçevesine dahil etmeli ve bunu açıkça lmerbir data=my.data.frameargümanla iletmelisiniz.

Glmm SSS’yi faydalı bulabilirsiniz ( GLMM’lere odaklanmıştır, ancak doğrusal karışık modellerle de ilgili şeyler vardır).


Erik bu engellemeler için bir kovaryans yapısı belirtmek isterse? Diğer bir deyişle, pozitif bir Ağaç kesişimine sahip bir numunenin de, pozitif bir Organ kesişimine sahip olmasını bekleyebilirsiniz. Yuvalama bu sorunu otomatik olarak halleder mi? Olmazsa, böyle bir yapı nasıl belirtilebilir?
Sheridan Grant

Bence bu dava için denklemleri yazmaya çalışırsanız, bunun halledildiğini göreceksiniz.
Ben Bolker

13

Bu soruyu ve Dr. Bolker'in cevabını okudum ve veriyi kopyalamaya çalıştım (biyolojik olarak veya birimde "uzunluk" un neyi temsil ettiği ile ilgili çok fazla açık sözlü değil, sonra da yukarıdaki modele uydum. Sonuçları buraya gönderiyorum. Muhtemel yanlış anlaşılmaların varlığı ile ilgili geribildirim almak ve paylaşmak.

Bu kurgusal verileri üretmek için kullandığım kod burada bulunabilir ve veri kümesi OP'nin iç yapısına sahiptir:

     site     tree treatment organ sample tissue    length
1    L       LT01         T  root      1  phloem  108.21230
2    L       LT01         T  root      1  xylem   138.54267
3    L       LT01         T  root      2  phloem   68.88804
4    L       LT01         T  root      2  xylem   107.91239
5    L       LT01         T  root      3  phloem   96.78523
6    L       LT01         T  root      3  xylem    88.93194
7    L       LT01         T  stem      1  phloem  101.84103
8    L       LT01         T  stem      1  xylem   118.30319

Yapı aşağıdaki gibidir:

 'data.frame':  360 obs. of  7 variables:
     $ site     : Factor w/ 2 levels "L","R": 1 1 1 1 1 1 1 1 1 1 ...
 $ tree     : Factor w/ 30 levels "LT01","LT02",..: 1 1 1 1 1 1 1 1 1 1 ...
     $ treatment: Factor w/ 2 levels "C","T": 2 2 2 2 2 2 2 2 2 2 ...
 $ organ    : Factor w/ 2 levels "root","stem": 1 1 1 1 1 1 2 2 2 2 ...
     $ sample   : num  1 1 2 2 3 3 1 1 2 2 ...
 $ tissue   : Factor w/ 2 levels "phloem","xylem": 1 2 1 2 1 2 1 2 1 2 ...
     $ length   : num  108.2 138.5 68.9 107.9 96.8 ...

Veri kümesi "hileli" idi (buradaki geribildirim kabul edilir):

  1. Zira treatment, tedaviye karşı kontrollere ( 100karşı 70) yönelik iki ayrı kesişme noktası ile sabit bir etki vardır ve rastgele etki yoktur.
  2. I değerlerini ayarlamak tissueçok farklı durumlara için olan belirgin sabit etkiler ile phloemkarşı xylem( 3karşı 6) ve bir rasgele etkiler sd = 3.
  3. organN-(0,3)sd = 36rootstem
  4. Çünkü treebiz sadece a ile rastgele etkilerimiz var sd = 7.
  5. Çünkü samplesadece rastgele efektler kurmaya çalıştım sd = 5.
  6. İçin sitede sadece rastgele eff's ile sd = 3.

Değişkenlerin kategorik doğası nedeniyle, hiçbir eğim kurulmamıştır.

Karışık etki modelinin sonuçları:

fit <- lmer(length ~ treatment + organ + tissue + (1|tree/organ/sample), data = trees) 

idi:

 Random effects:
 Groups              Name        Variance  Std.Dev. 
 sample:(organ:tree) (Intercept) 9.534e-14 3.088e-07
 organ:tree          (Intercept) 0.000e+00 0.000e+00
 tree                (Intercept) 4.939e+01 7.027e+00
 Residual                        3.603e+02 1.898e+01
Number of obs: 360, groups:  sample:(organ:tree), 180; organ:tree, 60; tree, 30

Fixed effects:
            Estimate Std. Error       df t value Pr(>|t|)    
(Intercept)  79.8623     2.7011  52.5000  29.567  < 2e-16 ***
treatmentT   21.4368     3.2539  28.0000   6.588 3.82e-07 ***
organstem     0.1856     2.0008 328.0000   0.093    0.926    
tissuexylem   3.1820     2.0008 328.0000   1.590    0.113    
---
Signif. codes:  0***0.001**0.01*0.05 ‘.’ 0.1 ‘ ’ 1

Nasıl çalıştı?

  1. İçin treatmenttedavi olmadan kesişme idi 79.8623(ı ortalama kurmak 70) ve öyleydi tedavi ile 79.8623 + 21.4368 = 101.2991(biz ortalama kurmak 100.
  2. Çünkü engellemenin izniyle tissuebir 3.1820katkı xylemvardı phloemve xylemile arasında bir fark kurmuştum 3. Rastgele etkiler modelin bir parçası değildi.
  3. Zira organ, stemartan örneklerden kesişme noktası 0.1856- - stemve arasında sabit etkilerde hiçbir fark ayarlamamıştım root. Rastgele etki olarak görmek istediğim şeyin standart sapması yansımadı.
  4. treeBir SD rasgele etki 7olarak güzel bir şekilde ortaya 7.027.
  5. İçin olduğu gibi sample, ilk sdve 5şekilde underemphasized edildi 3.088.
  6. site modelin bir parçası değildi.

Yani, genel olarak, model veri yapısına uygun gibi görünüyor.

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