यादृच्छिक ढलानों के साथ मिश्रित प्रभाव प्रतिगमन मॉडल पर एक एमसीएमसी परिकल्पना परीक्षण कैसे कर सकता है?

Question

पुस्तकालय भाषाआर एक विधि (pvals.fnc) प्रदान करता है जो कि एक मिश्रित प्रभाव प्रतिगमन मॉडल में निश्चित प्रभाव का एमसीएमसी महत्व परीक्षण करने के लिए होता है जो कि लैमर का उपयोग करके फिट होता है। हालांकि, pvals.fnc एक त्रुटि देता है जब lmer मॉडल में यादृच्छिक ढलान शामिल हैं।

क्या ऐसे मॉडल का MCMC परिकल्पना परीक्षण करने का कोई तरीका है?
यदि हां, तो कैसे? (एक उत्तर के रूप में स्वीकार किए जाने के लिए आर में एक काम किया उदाहरण होना चाहिए) यदि नहीं, तो क्या कोई तरीका नहीं है एक वैचारिक / गणना कारण है?

यह सवाल इस एक से संबंधित हो सकता है लेकिन मुझे कुछ निश्चित होने के लिए पर्याप्त सामग्री समझ में नहीं आई।

संपादित करें 1 : अवधारणा का एक प्रमाण जो दिखा रहा है कि pales.fnc () अभी भी lme4 मॉडल के साथ 'कुछ' करता है, लेकिन यह यादृच्छिक रपट मॉडल के साथ कुछ भी नहीं करता है।

library(lme4)
library(languageR)
#the example from pvals.fnc
data(primingHeid) 
# remove extreme outliers
primingHeid = primingHeid[primingHeid$RT < 7.1,]
# fit mixed-effects model
primingHeid.lmer = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1|Subject) + (1|Word), data = primingHeid)
mcmc = pvals.fnc(primingHeid.lmer, nsim=10000, withMCMC=TRUE)
#Subjects are in both conditions...
table(primingHeid$Subject,primingHeid$Condition)
#So I can fit a model that has a random slope of condition by participant
primingHeid.lmer.rs = lmer(RT ~ RTtoPrime * ResponseToPrime + Condition + (1+Condition|Subject) + (1|Word), data = primingHeid)
#However pvals.fnc fails here...
mcmc.rs = pvals.fnc(primingHeid.lmer.rs)

यह कहता है: pvals.fnc में त्रुटि (primingHeid.lmer.rs): MCMC नमूना अभी तक lme4_0.999375 में यादृच्छिक सहसंबंध मापदंडों वाले मॉडल के लिए लागू नहीं किया गया है

अतिरिक्त प्रश्न: क्या pvals.fnc रैंडम इंटरसेप्ट मॉडल के लिए अपेक्षित प्रदर्शन कर रहा है? क्या आउटपुट पर भरोसा किया जाना चाहिए?

Comments

(1) मुझे आश्चर्य है कि pvals.fnc अभी भी बिल्कुल काम करता है; मुझे लगा कि mcmcsamp (जो pvals.fnc पर निर्भर करता है) काफी समय से lme4 में गैर-कार्यात्मक रहा था। आप किस संस्करण का उपयोग कर रहे हैं? (2) कोई वैचारिक कारण नहीं है कि यादृच्छिक ढलानों को तोड़ने के लिए जो कुछ भी करना है, एक महत्व परीक्षण प्राप्त करना चाहिए (3) MCMC के साथ महत्व परीक्षण का संयोजन थोड़ा असंगत, सांख्यिकीय है, हालांकि मैं ऐसा करने के लिए आग्रह को समझता हूं (आत्मविश्वास प्राप्त करना) अंतराल अधिक सहायक है) (4) इस प्रश्नोत्तर के बीच एकमात्र संबंध 'MCMC' है (अर्थात कोई नहीं, व्यावहारिक रूप से)

— बेन बोल्कर

मेरे द्वारा उपयोग किए जाने वाले lme4 का संस्करण उस कंप्यूटर पर निर्भर करता है जिस पर मैं बैठा हूं। इस कंसोल में lme4_0.999375-32 है, लेकिन मैं शायद ही कभी विश्लेषण के लिए इसका उपयोग करता हूं। मैंने कई महीनों पहले देखा था कि pvals.fnc () विश्लेषण के बाद lme4 परिणामों से अलग हो रहा था - मैंने उस समय इसके लिए एक काम का निर्माण किया था, लेकिन यह अब एक मुद्दा नहीं लगता है। मुझे निकट भविष्य में आपके तीसरे बिंदु पर एक और प्रश्न पूछना होगा।

— russellpierce

Answer 1

ऐसा लगता है कि आपका त्रुटि संदेश अलग-अलग ढलानों के बारे में नहीं है, यह सहसंबद्ध यादृच्छिक प्रभावों के बारे में है। आप असंबद्ध को भी फिट कर सकते हैं; वह है, स्वतंत्र यादृच्छिक प्रभावों के साथ मिश्रित-प्रभाव मॉडल:

Linear mixed model fit by REML
Formula: Reaction ~ Days + (1 | Subject) + (0 + Days | Subject)
Data: sleepstudy

से http://www.stat.wisc.edu/~bates/IMPS2008/lme4D.pdf

Answer 2

यहाँ (कम से कम अधिकांश) के साथ एक समाधान है MCMCglmm।

पहले बराबर इंटरसेप्ट-वेरिएंट-केवल मॉडल के साथ फिट MCMCglmm:

library(MCMCglmm)
primingHeid.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition, 
                                random=~Subject+Word, data = primingHeid)

के बीच फिट बैठता है MCMCglmmऔर lmer, पहले मेरे हैक किए गए संस्करण को पुनः प्राप्त arm::coefplot:

source(url("http://www.math.mcmaster.ca/bolker/R/misc/coefplot_new.R"))
  ## combine estimates of fixed effects and variance components
pp  <- as.mcmc(with(primingHeid.MCMCglmm, cbind(Sol, VCV)))
  ## extract coefficient table
cc1 <- coeftab(primingHeid.MCMCglmm,ptype=c("fixef", "vcov"))
  ## strip fixed/vcov indicators to make names match with lmer output
rownames(cc1) <- gsub("(Sol|VCV).", "", rownames(cc1))
  ## fixed effects -- v. similar
coefplot(list(cc1[1:5,], primingHeid.lmer))
  ## variance components -- quite different.  Worth further exploration?
coefplot(list(cc1[6:8,], coeftab(primingHeid.lmer, ptype="vcov")),
         xlim=c(0,0.16), cex.pts=1.5)

अब इसे यादृच्छिक ढलानों के साथ आज़माएँ:

primingHeid.rs.MCMCglmm = MCMCglmm(fixed=RT ~ RTtoPrime * ResponseToPrime + Condition,
                                   random=~Subject+Subject:Condition+Word, 
                                   data = primingHeid)        
summary(primingHeid.rs.MCMCglmm)

यह "MCMC p-मान" के कुछ प्रकार देता है ... आपको खुद को तलाशना होगा और देखना होगा कि क्या पूरी बात समझ में आती है ...

Comments

बहुत बहुत धन्यवाद बेन। ऐसा लग रहा है कि यह मुझे सही दिशा में ले जाएगा। मुझे सिर्फ MCMCglmm के लिए मदद और संबंधित लेखों के माध्यम से पढ़ने में कुछ समय बिताने की ज़रूरत है, ताकि मैं देख सकूं कि क्या हो रहा है।

— रुसलपिएर्स

क्या इस मामले में यादृच्छिक ढलान मॉडल में यादृच्छिक ढलान और यादृच्छिक अवरोधन के बीच संबंध है, या इस ढांचे में ऐसा विचार निरर्थक है?

— russellpierce

मैंने आपके कोड को यहाँ पढ़ना आसान बना दिया, @Ben; अगर आपको यह पसंद नहीं है, तो बेझिझक इसे वापस रोल करें w / my माफी।

— गंग -