Lme4'te rastgele etkiler için varyans-kovaryans yapısı

Rastgele-etkiler için varsayılan varyans-kovaryans yapısı nedir glmerya lmeriçinde lme4paketin? Koddaki rastgele etkiler için diğer varyans-kovaryans yapısı nasıl belirtilir? Bununla ilgili herhangi bir bilgiyi lme4dokümantasyonda bulamadım .

Varsayılan varyans-kovaryans yapısı yapılandırılmamıştır - yani seviyeli bir vektör rasgele etkisi için varyans-kovaryans matrisi üzerindeki tek kısıt pozitif tanımlayıcıdır. Ayrı rastgele etkiler terimler kesişme ve eğim (şart değil iyi bir fikir) ilintisiz rastgele kesişim noktası ve eğimi ile bir model, sen formülü kullanabilirsiniz (örneğin) sığdırmak istiyorsanız eğer öyleyse Ancak bağımsız olduğu kabul edilir , nerede olduğunu gruplandırma faktörü; $n$(1|g) + (0+x|g)g0ikinci dönemde kesişimi bastırır. Kategorik bir değişkenin bağımsız parametrelerini (yine, muhtemelen sorgulanabilir) sığdırmak istiyorsanız, muhtemelen sayısal kukla değişkenleri elle oluşturmanız gerekir. Faktörü iç içe gruplama değişkeni olarak ele alarak (sadece negatif olmayan kovaryanslarla birlikte) bir bileşik-simetrik varyans-kovaryans yapısı oluşturabilirsiniz. Örneğin f, bir faktör ise , (1|g/f)seviyeleri arasında eşit korelasyonlar varsayar f.

Diğer / daha karmaşık varyans-kovaryans yapıları için, (R cinsinden) seçimleriniz (1) kullanmaktır nlme( pdMatrixdaha fazla esnekliğe izin vermek için yapıcılara sahiptir ); (2) kullanım MCMCglmm(yapılandırılmamış, bileşik simetrik, farklı varyanslı kimlik veya homojen varyanslı kimlik dahil çeşitli yapılar sunar); (3) pedigreemmözel yapılandırılmış bir matris oluşturan gibi özel amaçlı bir paket kullanmak . flexLambdaGithub'da sonunda bu yönde daha fazla yetenek sağlamayı umut eden bir şube var.

Bunu örnek olarak gösterebilirim.

Kovaryans terimleri, sabit ve rastgele efektlerle aynı formülde belirtilir. Kovaryans terimleri, formülün yazılma biçimiyle belirtilir.

Örneğin:

glmer(y ~ 1 + x1 + (1|g) + (0+x1|g), data=data, family="binomial")

Burada rastgele değişmesine izin verilen iki sabit etki ve bir gruplama faktörü vardır g. İki rastgele etki kendi terimlerine ayrıldığından aralarında kovaryans terimi dahil edilmemiştir. Başka bir deyişle, varyans-kovaryans matrisinin sadece köşegenleri tahmin edilmektedir. İkinci terimdeki sıfır, açıkça rastgele bir kesme terimi eklemediğini veya mevcut bir rastgele kesmenin değişmesine izin vermediğini söylüyor x1.

İkinci bir örnek:

glmer(y ~ 1 + x1 + (1+x1|g), data=data, family="binomial")

Burada kesişme ve x1rastgele etkiler arasında bir kovaryans belirtilmiştir, çünkü 1 + x1 | g'nin hepsi aynı terimde bulunur. Başka bir deyişle, varyans-kovaryans yapısındaki 3 parametrenin tümü tahmin edilmektedir.

Biraz daha karmaşık bir örnek:

glmer(y ~ 1 + x1 + x2 + (1+x1|g) + (0+x2|g), data=data, family="binomial")

Burada kesişme ve x1rastgele etkilerin birlikte değişmesine izin verilirken, x2rastgele etki ile diğer ikisinin her biri arasında sıfır bir korelasyon uygulanır . Yine bir 0dahildir x2sadece açıkça rasgele kesişmesine dahil önlemek için rastgele etki terimle covaries o x2rastgele etkisi.