«lme4-nlme» etiketlenmiş sorular

Tekrarlanan önlemler ANOVA için sonuçları çoğaltmak lmeiçin nlmepaketten kullanmaya çalışıyorum aov. Bunu tek faktörlü tekrarlanan ölçümler deneyi ve denekler arasında bir faktör ve bir denek içi faktörü ile iki faktörlü bir deney için yaptım, ancak bunu iki faktörlü iki faktörlü bir deney için yapmakta sorun yaşıyorum - faktörler faktörleri. Aşağıda …

19 r  anova  mixed-model  repeated-measures  lme4-nlme 

Ben bir binom dağılımı ve logit bağlantı fonksiyonu ile bir GLMM var ve verilerin önemli bir yönünün modelde iyi temsil olmadığını hissediyorum. Bunu test etmek için, verilerin logit ölçeğinde doğrusal bir fonksiyon tarafından iyi tanımlanıp tanımlanmadığını bilmek istiyorum. Bu nedenle, artıkların iyi davranıp davranmadığını bilmek istiyorum. Ancak, hangi artıkların arsa …

19 binomial  residuals  glmm  lme4-nlme 

Lütfen bu verileri göz önünde bulundurun: dt.m <- structure(list(id = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12), occasion = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, …

19 r  mixed-model  stata  lme4-nlme 

Bazı model parametrelerinin bazı gruplama faktörleri arasında rasgele değiştiğine inandığımızda rastgele efektler (veya karışık efektler) kullandığımızı anlıyorum. Yanıtın bir gruplama faktörü üzerinde normalleştirildiği ve ortalandığı (mükemmel değil, oldukça yakın) bir modele uyma arzum var, ancak bağımsız bir değişken xherhangi bir şekilde ayarlanmadı. Bu beni gerçekten orada olsaydı aradığım etkiyi bulabilmem …

18 mixed-model  random-effects-model  fixed-effects-model  lme4-nlme  intraclass-correlation 

Karışık modellerin avantajlarından birinin, veriler için varyans-kovaryans matrisi (bileşik simetri, otoregresif, yapılandırılmamış, vb.) Belirtmelerine izin vermesidir. Ancak, lmerR'deki fonksiyon bu matrisin kolay tanımlanmasına izin vermez. Herkes hangi yapının lmervarsayılan olarak kullandığını ve neden kolayca belirtmenin bir yolu olmadığını biliyor mu?

18 r  mixed-model  lme4-nlme  covariance-matrix 

Arka plan: Not: Veri kümem ve r kodum aşağıdaki metinde yer almaktadır R'de lme4 paketi kullanılarak oluşturulan iki karışık efekt modelini karşılaştırmak için AIC'yi kullanmak istiyorum. Her modelin bir sabit etkisi ve bir rastgele etkisi vardır. Sabit etki modeller arasında farklılık gösterir, ancak rastgele etki modeller arasında aynı kalır. Ben …

18 maximum-likelihood  random-effects-model  fixed-effects-model  mixed-model  lme4-nlme 

Bu benim veri çerçevem: Group <- c("G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3") Subject <- c("S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15") Value <- c(9.832217741,13.62390117,13.19671612,14.68552076,9.26683366,11.67886655,14.65083473,12.20969772,11.58494621,13.58474896,12.49053635,10.28208078,12.21945867,12.58276212,15.42648969,9.466436017,11.46582655,10.78725485,10.66159358,10.86701127,12.97863424,12.85276916,8.672953949,10.44587257,13.62135205,13.64038394,12.45778874,8.655142642,10.65925259,13.18336949,11.96595556,13.5552118,11.8337142,14.01763101,11.37502161,14.14801305,13.21640866,9.141392359,11.65848845,14.20350364,14.1829714,11.26202565,11.98431285,13.77216009,11.57303893) data <- data.frame(Group, Subject, Value) Sonra "Konu" rasgele faktör olduğu "Grup" 3 Grup farkını karşılaştırmak için doğrusal karışık efektler modeli çalıştırın: library(lme4) library(lmerTest) model <- lmer (Value~Group + (1|Subject), data = data) summary(model) Sonuçlar: Fixed effects: Estimate …

18 r  lme4-nlme  post-hoc 

Ameliyat sırasında 2 farklı tedaviyle tedavi edilen hastalardan verilerim var. Kalp atış hızı üzerindeki etkisini analiz etmem gerekiyor. Kalp atış hızı ölçümü her 15 dakikada bir yapılır. Ameliyat uzunluğunun her hasta için farklı olabileceği göz önüne alındığında, her hasta 7 ila 10 arasında kalp atış hızı ölçümüne sahip olabilir. Bu …

17 r  mixed-model  repeated-measures  lme4-nlme 

Çalışmamda iş yükünü çeşitli ölçümlerle ölçeceğim. Kalp atış hızı değişkenliği (HRV), elektrodinamik aktivite (EDA) ve subjektif skala (IWS) ile. Normalleştirmeden sonra IWS'nin üç değeri vardır: İş yükü normalden düşük İş yükü ortalama İş yükü normalden yüksek. Fizyolojik önlemlerin öznel iş yükünü ne kadar iyi tahmin edebileceğini görmek istiyorum. Bu nedenle …

17 r  logistic  lme4-nlme  ordered-logit  polr 

R'deki model formüller y ~ x + a*b + c:d Wilkinson notasyonuna dayanmaktadır : Wilkinson ve Rogers 1973, Varyans Analizi için Faktöriyel Modellerin Sembolik Açıklaması . Bu makale karışık modeller (o zamanlar mevcut olmayabilir) için gösterimleri tartışmadı. Peki lme4R'de karışık paket formüller ve ilgili paketler nerede kullanıldı y ~ x …

16 r  mixed-model  lme4-nlme  notation  history 

Ben kullanıyorum glmergelen işlevi lme4R paketin ve ben kullanıyorum bobyqaoptimize edici (benim durumumda varsayılan yani). Bir uyarı alıyorum ve bunun ne anlama geldiğini merak ediyorum. Warning message: In optwrap(optimizer, devfun, start, rho$lower, control = control, : convergence code 3 from bobyqa: bobyqa -- a trust region step failed to reduce …

16 r  optimization  lme4-nlme  convergence  glmm 

lmer()Modelimin çıktısını anlamada sorun yaşıyorum . Değişen Devlet kesişimleri / Durum rastgele etkileri olan bir sonuç değişkeninin (Destek) basit bir modelidir: mlm1 <- lmer(Support ~ (1 | State)) Sonuçları summary(mlm1): Linear mixed model fit by REML Formula: Support ~ (1 | State) AIC BIC logLik deviance REMLdev 12088 12107 -6041 …

16 r  mixed-model  random-effects-model  lme4-nlme 

MCMCglmmSon zamanlarda paketi kullanıyorum . Belgelerde R-yapısı ve G-yapısı olarak anılan şeyle kafam karıştı. Bunlar rastgele etkilerle ilişkili gibi görünmektedir - özellikle de önceki dağıtım için parametreleri belirtmekle birlikte, belgelerdeki tartışma okuyucunun bu terimlerin ne olduğunu bildiğini varsaymaktadır. Örneğin: 3 olası öğeye sahip isteğe bağlı önceki özellikler listesi: R (R-yapısı) …

16 r  bayesian  mixed-model  lme4-nlme 

Permütasyon testleri (randomizasyon testi, yeniden randomizasyon testi veya kesin test olarak da adlandırılır) çok faydalıdır ve örneğin normal dağıtım varsayımı t-testkarşılanmadığında ve değerlerin parametrik olmayan test Mann-Whitney-U-test, daha fazla bilginin kaybolmasına neden olur. Bununla birlikte, bu tür bir test kullanılırken bir ve sadece bir varsayım göz ardı edilmemelidir, örneklerin sıfır …

16 hypothesis-testing  permutation-test  exchangeability  r  statistical-significance  loess  data-visualization  normal-distribution  pdf  ggplot2  kernel-smoothing  probability  self-study  expected-value  normal-distribution  prior  correlation  time-series  regression  heteroscedasticity  estimation  estimators  fisher-information  data-visualization  repeated-measures  binary-data  panel-data  mathematical-statistics  coefficient-of-variation  normal-distribution  order-statistics  regression  machine-learning  one-class  probability  estimators  forecasting  prediction  validation  finance  measurement-error  variance  mean  spatial  monte-carlo  data-visualization  boxplot  sampling  uniform  chi-squared  goodness-of-fit  probability  mixture  theory  gaussian-mixture  regression  statistical-significance  p-value  bootstrap  regression  multicollinearity  correlation  r  poisson-distribution  survival  regression  categorical-data  ordinal-data  ordered-logit  regression  interaction  time-series  machine-learning  forecasting  cross-validation  binomial  multiple-comparisons  simulation  false-discovery-rate  r  clustering  frequency  wilcoxon-mann-whitney  wilcoxon-signed-rank  r  svm  t-test  missing-data  excel  r  numerical-integration  r  random-variable  lme4-nlme  mixed-model  weighted-regression  power-law  errors-in-variables  machine-learning  classification  entropy  information-theory  mutual-information 

Diyelim ki bir modelimiz var mod <- Y ~ X*Condition + (X*Condition|subject) # Y = logit variable # X = continuous variable # Condition = values A and B, dummy coded; the design is repeated # so all participants go through both Conditions # subject = random effects for different …

16 mixed-model  lme4-nlme  overfitting  singular