Doğrusal ve doğrusal olmayan regresyon modelleri arasında birkaç ayrım vardır, ancak birincil matematiksel olan doğrusal parametrelerin parametrelerde doğrusal, doğrusal olmayan modellerin parametrelerde doğrusal olmamasıdır. nlmeR paketinin yazarları Pinheiro ve Bates (2000, s. 284-285), model seçimindeki daha önemli hususları zarif bir şekilde tanımladılar:
Bir yanıt değişkeninin değişkenlerle nasıl değiştiğini açıklamak için bir regresyon modeli seçerken, her zaman parametrelerde doğrusal olan polinom modelleri gibi modelleri kullanma seçeneği vardır. Bir polinom modelinin sırasını arttırarak, gözlemlenen veri aralığında gerçek, genellikle doğrusal olmayan regresyon fonksiyonuna giderek daha doğru yaklaşımlar elde edilebilir. Bu ampirik modeller sadece tepki ile ortak değişkenler arasındaki gözlemlenen ilişkiye dayanır ve verileri üreten temel mekanizma hakkında teorik hususları içermez. Öte yandan, doğrusal olmayan modeller genellikle mekaniktir, yani yanıtı üreten mekanizma için bir modele dayanır. Sonuç olarak, doğrusal olmayan bir modeldeki model parametreleri genellikle doğal bir fiziksel yoruma sahiptir. Deneysel olarak türetildiğinde bile, doğrusal olmayan modeller genellikle asimptotlar ve monotoniklik gibi bilinen, teorik özellikleri içerir ve bu durumlarda yarı mekanik modeller olarak kabul edilebilir. Doğrusal olmayan bir model genellikle, verilerin daha parsimonik bir tanımını veren, polinom gibi bir rakip doğrusal modelden daha az parametre kullanır. Doğrusal olmayan modeller, tepki değişkeni için gözlemlenen veri aralığı dışında, örneğin polinom modellerine göre daha güvenilir tahminler sağlar. verilerin daha cimri bir tanımını verir. Doğrusal olmayan modeller, tepki değişkeni için gözlemlenen veri aralığı dışında, örneğin polinom modellerine göre daha güvenilir tahminler sağlar. verilerin daha cimri bir tanımını verir. Doğrusal olmayan modeller, tepki değişkeni için gözlemlenen veri aralığı dışında, örneğin polinom modellerine göre daha güvenilir tahminler sağlar.
Nlme ve lme4 paketleri arasında doğrusallık sorununun ötesine geçen bazı büyük farklılıklar da vardır. Örneğin, nlme kullanarak doğrusal veya doğrusal olmayan modellere sığabilir ve her iki tür için de grup içi hatalar (örneğin otoregresif) için varyans ve korelasyon yapılarını belirtebilirsiniz; lme4 bunu yapamaz. Ek olarak, rastgele efektler her iki pakette de sabitlenebilir veya çaprazlanabilir, ancak lme4'te çapraz rastgele efektleri belirlemek ve modellemek çok daha kolaydır (ve daha hesaplama açısından verimli).
İlk önce a) doğrusal olmayan bir modele ihtiyacınız olup olmayacağını ve b) grup içi varyans veya korelasyon yapılarını belirtmeniz gerekip gerekmediğini düşünmenizi öneririm. Bu cevaplardan herhangi biri evet ise, o zaman nlme kullanmanız gerekir (R'ye bağlı olduğunuz göz önüne alındığında). Rastgele efektlere sahip doğrusal modellerle veya iç içe geçmiş ve çapraz rastgele efektlerin karmaşık kombinasyonlarıyla çok çalışıyorsanız, lme4 muhtemelen daha iyi bir seçimdir. Her iki paketi de kullanmayı öğrenmeniz gerekebilir. Önce lme4'ü öğrendim ve sonra nlme kullanmak zorunda olduğumu fark ettim çünkü neredeyse her zaman otoregresif hata yapılarıyla çalışıyorum. Bununla birlikte, çapraz faktörlü deneylerden verileri analiz ederken hala lme4'ü tercih ediyorum. İyi haber şu ki, lme4 hakkında öğrendiklerimin büyük bir kısmı nlme'ye iyi aktarıldı. Öyle ya da böyle,
Referanslar
Pinheiro, JC ve Bates, DM (2000). S ve S-PLUS'ta karışık efekt modelleri . New York: Springer-Verlag.