मिश्रित प्रभाव मॉडल के लिए nlme या lme4 R लाइब्रेरी का चयन कैसे करें?

Question

मैंने कुछ मिश्रित प्रभाव वाले मॉडल (विशेष रूप से अनुदैर्ध्य मॉडल) का उपयोग करके फिट किया है lme4, Rलेकिन वास्तव में उन मॉडलों और उनके साथ जाने वाले कोड को मास्टर करना चाहता हूं।

हालांकि, दोनों पैरों के साथ डाइविंग (और कुछ किताबें खरीदने से पहले) मैं यह सुनिश्चित करना चाहता हूं कि मैं सही पुस्तकालय सीख रहा हूं। मैंने lme4अब तक का उपयोग किया है क्योंकि मुझे अभी इसकी तुलना में आसान लगता है nlme, लेकिन अगर nlmeमैं अपने उद्देश्यों के लिए बेहतर हूं तो मुझे लगता है कि मुझे इसका उपयोग करना चाहिए।

मुझे यकीन है कि न तो सरल तरीके से "बेहतर" है, लेकिन मैं कुछ राय या विचारों को महत्व देता हूं। मेरा मुख्य मानदंड हैं:

1. प्रयोग करने में आसान (मैं प्रशिक्षण द्वारा एक मनोवैज्ञानिक हूं, और विशेष रूप से आंकड़ों या कोडिंग में निपुण नहीं हूं, लेकिन मैं सीख रहा हूं)
2. अनुदैर्ध्य डेटा फिटिंग के लिए अच्छी विशेषताएं (यदि यहां अंतर है- लेकिन यही वह है जो मैं मुख्य रूप से उनके लिए उपयोग करता हूं)
3. अच्छा (व्याख्या करने में आसान) चित्रमय सारांश, फिर भी यकीन नहीं होता कि यहां कोई अंतर है, लेकिन मैं अक्सर लोगों की तुलना में कम तकनीकी लोगों के लिए ग्राफ का उत्पादन करता हूं, इसलिए अच्छे स्पष्ट भूखंड हमेशा अच्छे होते हैं (मैं जाली में xyplot फ़ंक्शन का बहुत शौकीन हूं () इस कारण से)।

हमेशा की तरह, उम्मीद है कि यह सवाल बहुत अस्पष्ट नहीं है, और किसी भी ज्ञान के लिए अग्रिम धन्यवाद!

Answer 1

दोनों पैकेज का उपयोग Latticeबैकएंड के रूप में, लेकिन nlmeजैसे कुछ अच्छा सुविधाओं की है groupedData()और lmList()में कमी कर रहे हैं कि lme4(IMO)। व्यावहारिक दृष्टिकोण से, दो सबसे महत्वपूर्ण मानदंड प्रतीत होते हैं, हालांकि, कि

1. lme4nlmeअन्य लिंक फ़ंक्शंस के साथ फैली हुई हैं : उदाहरण के लिए nlme, आप ऐसे परिणामों को फिट नहीं कर सकते हैं जिनका वितरण गॉसियन नहीं है, lme4मिश्रित-प्रभाव लॉजिस्टिक रिग्रेशन फिट करने के लिए इस्तेमाल किया जा सकता है।
2. में nlme, यादृच्छिक प्रभावों के लिए विचरण-सहसंयोजक मैट्रिक्स को निर्दिष्ट करना संभव है (जैसे एआर (1)); यह संभव नहीं है lme4।

अब, lme4इसके सी भाग और विरल मैट्रिस के उपयोग के लिए बहुत आसानी से यादृच्छिक प्रभावों के बहुत बड़ी संख्या (इसलिए, किसी दिए गए अध्ययन में व्यक्तियों की संख्या) को संभाल सकते हैं। nlmeपैकेज कुछ हद तक ने ले लिया है lme4तो मैं लोगों को ज्यादा समय बिताने की चोटी पर ऐड-ऑन के विकास की उम्मीद नहीं होंगे nlme। व्यक्तिगत रूप से, जब मुझे अपने मॉडल में लगातार प्रतिक्रिया lme4मिलती है , तो मैं दोनों पैकेजों का उपयोग करता हूं, लेकिन मैं अब GLMM को फिट करने के तरीके से वाकिफ हूं।

पुस्तक खरीदने के बजाय, आर-फोर्ज पर डग बेट्स की मसौदा पुस्तक पर पहले एक नज़र डालें: lme4: R के साथ मिश्रित-प्रभाव मॉडलिंग ।

Comments

@ 2) अधिक सटीक रूप से, lme4आप या तो एक विकर्ण सहसंयोजक संरचना (यानी, स्वतंत्र यादृच्छिक प्रभाव) या असंरचित सहसंयोजक matrices (यानी सभी सहसंबंधों का अनुमान लगाया जा सकता है) या आंशिक रूप से विकर्ण, यादृच्छिक प्रभावों के लिए आंशिक रूप से असंरचित सहसंयोजक matrices निर्दिष्ट कर सकते हैं। मैं क्षमताओं में एक तीसरा अंतर भी जोड़ूंगा जो कई अनुदैर्ध्य डेटा स्थितियों के लिए अधिक प्रासंगिक हो सकता है: nlmeचलो आपको अवशिष्ट (यानी स्थानिक या लौकिक स्वसंरचना या विषमलैंगिकता) के लिए विचरण-सहसंयोजक संरचनाएं निर्दिष्ट lme4नहीं करता है।

— फबियों

@fabians (+1) आह, धन्यवाद! lme4अलग वीसी संरचनाओं को चुनने की अनुमति नहीं थी । बेहतर होगा कि आप इसे अपनी प्रतिक्रिया में शामिल करें, साथ में आपके पास अन्य विचार भी हो सकते हैं। मैं उत्थान करूंगा। BTW, मुझे यह भी एहसास हुआ कि इसमें lmList()भी उपलब्ध lme4है। मुझे लगता है कि R-sig-ME पर इसके बारे में कुछ चर्चा याद है।

— १०’१०

कोई तेज विकल्प? मुझे बड़े डेटासेट के साथ मॉडल फिट करने की आवश्यकता है और अपने कंप्यूटर में लगभग एक घंटे का समय लेना चाहिए। कई तेजी से प्रतिगमन पैकेज हैं, लेकिन कोई भी यादृच्छिक प्रभावों से निपटने में सक्षम नहीं लगता है।

— स्कैन

Answer 2

जैसा कि chl ने बताया, मुख्य अंतर यह है कि यादृच्छिक प्रभावों के लिए आप किस प्रकार का विचरण-सहसंयोजक संरचना निर्दिष्ट कर सकते हैं। में lme4आप या तो यह निर्दिष्ट कर सकते हैं:

• विकर्ण सहसंयोजक संरचनाएं (जैसे, वाक्यविन्यास के माध्यम से पारस्परिक रूप से असंबद्ध यादृच्छिक प्रभाव लागू करती हैं ~ (1 | group)+ (0 + x1 | group) + (0 + x2 | group))
• या असंरचित कोवरियस मैट्रिस (यानी सभी सहसंबंध अनुमानित हैं ~ (1 + x1 + x2 | group))
• या आंशिक रूप से विकर्ण, आंशिक रूप से असंरचित सहप्रसरण ( y ~ (1 + x1 | group) + (0 + x2 | group)है, जहां आप यादृच्छिक अवरोधन और के लिए यादृच्छिक ढलान के बीच एक संबंध का अनुमान होता x1है, लेकिन के लिए यादृच्छिक ढलान के बीच कोई सह-संबंध x2और और यादृच्छिक अवरोधन के लिए यादृच्छिक ढलान के बीच x2और के लिए यादृच्छिक ढलान x1)।

nlmeयादृच्छिक प्रभावों के लिए सहसंयोजक संरचनाओं का एक बहुत व्यापक वर्ग प्रदान करता है। मेरा अनुभव यह है कि lme4अधिकांश अनुप्रयोगों के लिए लचीलापन पर्याप्त है।

मैं क्षमताओं में एक तीसरा अंतर भी जोड़ूंगा जो कई अनुदैर्ध्य डेटा स्थितियों के लिए अधिक प्रासंगिक हो सकता है: nlme आइए आप weightsतर्क में अवशिष्ट (यानी स्थानिक या लौकिक स्वसंरचना या विषमलैंगिकता या सहसंयोजक-निर्भर परिवर्तनशीलता) के लिए प्रसरण-सहसंयोजक संरचनाओं को निर्दिष्ट करते हैं (सीएफ) ?varFunc), जबकि lme4केवल अवलोकनों के लिए निश्चित पूर्व भार की अनुमति देता है।

एक चौथा अंतर यह है कि nlmeफिट होने के लिए (आंशिक रूप से) यादृच्छिक प्रभावों को पार करना मुश्किल हो सकता है , जबकि यह एक गैर-मुद्दा है lme4।

अगर आप साथ रहेंगे तो आप शायद ठीक हो जाएंगे lme4।

Comments

के अपवाद के साथ (जैसा कि आपने बताया) लौकिक में लौकिक निरंकुशता को समाहित करने में सक्षम होने पर भी lme4 नहीं। यदि डेटा सेट काफी बड़ा है, और यदि डेटा में इस तरह की संरचना है, तो यह कि लक्‍मे का एक बड़ा फायदा हो सकता है।

— बेन बोल्कर

Answer 3

दूसरों ने मतभेदों को बहुत अच्छी तरह से संक्षेप में बताया है। मेरी धारणा यह है कि lme4गुच्छेदार डेटा सेट के लिए अधिक अनुकूल है विशेष रूप से जब आपको पार किए गए यादृच्छिक प्रभावों का उपयोग करने की आवश्यकता होती है। दोहराया उपायों के डिजाइन (कई अनुदैर्ध्य डिजाइन सहित) के लिए, हालांकि, nlmeउपकरण है जो केवल nlmeअवशेषों के लिए एक सहसंबंध संरचना को निर्दिष्ट करने का समर्थन करता है। आप इसे ऑब्जेक्ट के साथ correlationsया corतर्क का उपयोग करते हैं corStruct। यह आपको एक varFuncवस्तु का उपयोग करके विषमलैंगिकता को मॉडल करने की भी अनुमति देता है ।

Answer 4

वास्तव में मिश्रित प्रभाव वाले मॉडल से परे lme4और फिटिंग के लिए आर में कई पैकेज हैं nlme। मिश्रित मॉडल के लिए R विशेष रुचि समूह द्वारा चलाया गया एक अच्छा विकी है , जिसमें बहुत अच्छा FAQ है और विभिन्न पैकेजों की तुलना करने वाला पृष्ठ है ।

वास्तव में उपयोग करने पर मेरी राय के लिए lme4और nlme: मैं lme4मूल आर सूत्र वाक्यविन्यास के बजाय इसके प्रत्यक्ष विस्तार के कारण आमतौर पर उपयोग करना आसान पाया गया। (यदि आपको सामान्यीकृत एडिटिव मॉडल के साथ काम करने की आवश्यकता है, तो gamm4पैकेज इस सिंटैक्स को एक और कदम बढ़ाता है और इसलिए आपके पास एक अच्छा चिकनी सीखने की अवस्था है।) जैसा कि दूसरों ने उल्लेख किया है, lme4सामान्यीकृत मॉडल (अन्य लिंक फ़ंक्शन और त्रुटि वितरण) को संभाल सकते हैं, जबकि। nlmeगॉसियन लिंक फ़ंक्शन पर ध्यान केंद्रित करने से यह कुछ चीजें करता है जो सामान्य मामले में बहुत कठिन हैं (सहसंयोजक संरचना और स्वतंत्रता गणना की डिग्री पर निर्भर कुछ चीजें, जैसे कि पी-मान, जिनमें से मैं आपको स्थानांतरित करने के लिए प्रोत्साहित करता हूं। से दूर!)।