lme और lmer तुलना

मैं सोच रहा था कि क्या कोई मुझे इन दो कार्यों के बीच मौजूदा मतभेदों के बारे में बता सकता है। मुझे निम्नलिखित प्रश्न मिला: मिश्रित प्रभाव वाले मॉडल के लिए nlme या lme4 R लाइब्रेरी का चयन कैसे करें? , लेकिन कुछ साल पहले की तारीखों से। सॉफ्टवेयर सर्किल में यह जीवनकाल है।

मेरे विशिष्ट प्रश्न हैं:

वहाँ (अभी भी) किसी भी सहसंबंध संरचनाओं lmeकि lmerसंभाल नहीं है?
क्या lmerपैनल डेटा के लिए उपयोग करना संभव / अनुशंसित है ?

माफी अगर ये कुछ बुनियादी हैं।

थोड़ा और विस्तार: पैनल डेटा वह जगह है जहां हमारे पास एक ही व्यक्ति पर कई माप हैं, अलग-अलग समय पर। मैं आम तौर पर एक व्यावसायिक संदर्भ में काम करता हूं, जहां आपके पास कई वर्षों के लिए दोहराने / दीर्घकालिक ग्राहकों के लिए डेटा हो सकता है। हम समय के साथ भिन्नता की अनुमति देना चाहते हैं, लेकिन प्रत्येक महीने या वर्ष के लिए एक डमी चर को स्पष्ट रूप से फिट करना अक्षम है। हालाँकि, मैं स्पष्ट नहीं हूँ कि क्या lmerइस प्रकार के डेटा के लिए उपयुक्त उपकरण है, या क्या मुझे उस ऑटोकॉर्पशन संरचनाओं की आवश्यकता lmeहै।

r mixed-model lme4-nlme

— हाँग ओय
स्रोत

वह जवाब अभी तक का है। lmerअभी भी सहसंबंध और विचरण संरचनाओं की विविधता को संभाल नहीं lmeकरता है, और जैसा कि मैं स्थिति को समझता हूं, यह शायद कभी नहीं होगा।

— हारून -

@Aaron उत्तर के लिए धन्यवाद। दूसरे भाग के लिए, क्या यह lmerपैनल डाटासेट को संभालने की क्षमता को प्रभावित करता है ? या मैं विशिष्ट सहसंबंध मान्यताओं को बनाए बिना दूर हो सकता हूं?

— हांग ओई जूल

@Aaron, मैं के बारे में "कभी नहीं होगा" संभाल corr / var संरचनाओं पता नहीं है - मैं इन सुविधाओं को जोड़ने में दिलचस्पी है और नहीं लगता कि यह हो सकता है कि मुश्किल है - लेकिन मैं निश्चित रूप से कह सकते हैं कि "पकड़ नहीं है अपने सांस"। मैं यह जानने के लिए पैनल डेटा के साथ पर्याप्त रूप से परिचित नहीं हूं कि lmerउन्हें संभालने के लिए क्या आवश्यक होगा ... हाँग, क्या आप उस प्रश्न का संक्षिप्त विवरण जोड़ सकते हैं जो आवश्यक सांख्यिकीय गुणों को थोड़ा और विस्तार से बताता है, या संकेत देता है?

— बजे बेन बोलकर

@BenBolker ने कुछ विवरण जोड़े।

— हांग ओई जूल

मैं कहूंगा कि lmerवर्ष के एक यादृच्छिक प्रभाव और ग्राहक के एक यादृच्छिक प्रभाव के साथ बहुत अच्छा होगा (मान लीजिए कि आपके पास प्रति वर्ष प्रति ग्राहक केवल एक माप है); यदि आपको समय की एक समग्र (निश्चित-प्रभाव) प्रवृत्ति से सुसज्जित किया जाता है, तो आपको एक यादृच्छिक समय-दर-ग्राहक संपर्क (यानी यादृच्छिक रस्सियों) पर भी विचार करना चाहिए। आदर्श रूप से आप प्रत्येक ग्राहक की समय श्रृंखला के भीतर अस्थायी स्वसंबंध के लिए अनुमति देना चाहते हैं, जो इस समय लमर के साथ संभव नहीं है, लेकिन आप यह देखने के लिए कि क्या महत्वपूर्ण था अस्थायी लौकिक कार्य की जाँच कर सकता है ...

— बेन बॉलर

जवाबों:

अद्यतन जून 2016:

कृपया इसे पूरा करने पर अपने वर्तमान विचारों का वर्णन करते हुए बेन के ब्लॉग प्रविष्टि को देखें lme4: Braindump 01 जून 2016

यदि आप बायेसियन विधियों को पसंद करते हैं, तो brmsपैकेज brmकुछ सहसंबंध संरचनाओं का समर्थन करता है: CRAN brms पेज । (नोट विशेष रूप से: "जैसा कि ब्रम्स संस्करण 0.6.0 है, एआर संरचना अवशेषों के ऑटोरेग्रेसिव प्रभावों को संदर्भित करता है ताकि अन्य पैकेजों में नामकरण और कार्यान्वयन जैसे कि लक्सम से मिलान किया जा सके। इससे पहले, ईंटों में एआर शब्द को प्रतिक्रिया के ऑटोरेस्पोन्डर प्रभाव कहा जाता है। बाद वाले को अब ARR इफेक्ट्स का नाम दिया गया है और इसे cor_arma और cor_arr फंक्शंस में तर्क r का उपयोग करके तैयार किया जा सकता है। "

मूल ANULWER 2013:

(एक टिप्पणी से परिवर्तित)

मैं कहूंगा कि lmerवर्ष के एक यादृच्छिक प्रभाव और ग्राहक के एक यादृच्छिक प्रभाव के साथ बहुत अच्छा होगा (मान लीजिए कि आपके पास प्रति वर्ष प्रति ग्राहक केवल एक माप है);

lmer(y~1 + (1|year) + (1|customer), ...)

फिट होगा (इंटरसेप्ट-ओनली) मॉडल

Y_{i j} \sim Normal (a + ϵ_{year, i} + ϵ_{customer, j}, σ_{0}^{2})

$Y_{ij} \sim \text{Normal}(a + \epsilon_{\text{year},i} + \epsilon_{\text{customer},j}, \sigma^2_0)$ जहाँ और शून्य-माध्य सामान्य संस्करण हैं जिनके अपने विशिष्ट संस्करण हैं।

ϵ_{year}

$\epsilon_{\text{year}}$

ϵ_{customer}

$\epsilon_{\text{customer}}$

यह एक बहुत उबाऊ मॉडल है, आप समय की एक समग्र (निश्चित-प्रभाव) प्रवृत्ति जोड़ना चाहते हैं और एक यादृच्छिक समय-दर-ग्राहक बातचीत (यानी यादृच्छिक ढलान) पर भी विचार कर सकते हैं। मुझे लगता है

lmer(y~year + (1|year) + (year|customer), ...)

मॉडल को फिट होना चाहिए

Y_{i j} \sim Normal ((a + ϵ_{customer, j}) + (b + ϵ_{year \times customer, j}) \cdot year + ϵ_{year, i}, σ_{0}^{2})

$Y_{ij} \sim \text{Normal}((a + \epsilon_{\text{customer},j}) + (b + \epsilon_{\text{year} \times \text{customer},j}) \cdot \text{year} + \epsilon_{\text{year},i}, \sigma^2_0)$

( yearइस तरह से उपयोग करना इनपुट नियम को शामिल नहीं करने के सामान्य नियम का एक अपवाद है क्योंकि एक ही मॉडल में एक फिट और एक यादृच्छिक प्रभाव दोनों शामिल हैं, बशर्ते कि यह एक संख्यात्मक चर yearहो , निश्चित प्रभाव में निरंतर के रूप में माना जाता है और year:customer(यादृच्छिक) बातचीत और यादृच्छिक प्रभाव में स्पष्ट ...)

बेशक आप वर्ष-स्तर, ग्राहक-स्तर, और अवलोकन-स्तर के सहसंयोजक जोड़ना चाहते हैं, जो कुछ प्रासंगिक विचरण (जैसे औसत उपभोक्ता मूल्य सूचकांक जोड़ते हैं कि यह समझाने के लिए कि साल खराब या अच्छे क्यों थे ...)

आदर्श रूप से आप प्रत्येक ग्राहक की समय श्रृंखला के भीतर अस्थायी स्वसंबंध के लिए अनुमति देना चाहते हैं, जो इस समय संभव नहीं है lmer, लेकिन आप अस्थायी स्वसंबंध समारोह की जांच कर सकते हैं कि क्या यह महत्वपूर्ण है ...

कैविएट : मुझे नहीं पता कि पैनल डेटा को संभालने के लिए मानक दृष्टिकोण के बारे में बहुत कुछ; यह सिर्फ मिश्रित मॉडल के मेरे ज्ञान पर आधारित है। टिप्पणीकारों (या संपादकों) को यह झंकार करने के लिए स्वतंत्र महसूस करना चाहिए कि क्या यह अर्थमिति में मानक / सर्वोत्तम प्रथाओं का उल्लंघन करता है।

— बेन बोलकर
स्रोत

जब तक इस अजीब अंकन है - आम तौर पर का मतलब है की सीमांत वितरण मतलब के साथ सामान्य है और विचरण - मुझे लगता है कि अपने समीकरण बहुत सही नहीं कर रहे हैं। आपने जो लिखा है, वह सशर्त वितरण है, यादृच्छिक प्रभाव। पहले मॉडल में का सीमान्त वितरण दूसरे में है। मॉडल को मामूली मतलब और विचरण एक अधिक जटिल अभिव्यक्ति है जिसमें वर्ष यादृच्छिक ढलान / अवरोधन और अन्य सामान के बीच सहसंयोजक शामिल है।

X \sim N (μ, σ^{2})

$X \sim N(\mu, \sigma^2)$

X

$X$

μ

$\mu$

σ^{2}

$\sigma^2$

Y_{i j}

$Y_{ij}$

N (a, σ_{0}^{2} + σ_{y e a r}^{2} + σ_{c u s t}^{2})

$N(a,\sigma^{2}_0 + \sigma^{2}_{year} + \sigma^{2}_{cust})$

a + b \cdot y e a r

$a+b \cdot {\rm year}$

— मैक्रों

हां, धन्यवाद बेन। व्यवहार में निश्चित प्रभाव होंगे, जैसे आयु, लिंग और सभी सामान्य संदिग्ध। @ मकारो: बेन के पास यह सही है, मुझे विश्वास है।

— हांग ओय

μ

$\mu$

Y \sim Normal (X β + Z u, σ^{2}); u \sim MVNormal (0, Σ); Σ = f (θ)

$Y \sim \text{Normal}(X \beta + Z u, \sigma^2); u \sim \text{MVNormal}(0,\Sigma); \Sigma=f(\theta)$

@BenBolker: क्या आपने देखा है कि मैंने इस प्रश्न पर एक इनाम निर्धारित किया है, क्योंकि मैं एक संभावित अपडेट की तलाश कर रहा हूं ?

— एस। कोलासा - मोनिका

मैंने अभी हाल ही में rawgit.com/bbolker/mixedmodels-misc/master/notes/… पर काम कर रहे कुछ सामान पोस्ट किए हैं ; मैं अपने उत्तर में प्रासंगिक बिट्स को शामिल करने के लिए चारों ओर जाने की कोशिश करूँगा (वैकल्पिक रूप से, किसी और का स्वागत है कि या तो उस जानकारी के आधार पर अपना स्वयं का उत्तर पोस्ट करें, या मेरे qestion को संपादित करें!)

— बेन बोल्कर

अपने सवालों के सीधे जवाब देने के लिए, और एनबी यह मूल पोस्ट के वर्षों बाद है!

हां, अभी भी सहसंबंध संरचनाएं हैं जो कि ल्युमे 4 को संभालती है जो कि लमे 4 नहीं संभालती है। हालांकि, जब तक nlme उपयोगकर्ता को सामान्य कॉर्स्ट्स को परिभाषित करने की अनुमति देता है और lme4 ऐसा नहीं करता है, तो यह मामला होगा। यह आश्चर्यजनक रूप से बहुत कम व्यावहारिक प्रभाव है। "बड़ी तीन" सहसंबंध संरचनाएं: स्वतंत्र, विनिमेय और एआर -1 सहसंबंध संरचनाएं दोनों पैकेजों के लिए आसान हैं।
यह निश्चित रूप से संभव है । आप फ़ंक्शन के साथ पैनल डेटा भी फिट कर सकतेlm हैं! किसके उपयोग के बारे में मेरी सिफारिश समस्या पर निर्भर करती है। lme4एक बहुत छोटा टूल किट है, और फॉर्मूला प्रतिनिधित्व कुछ बहुत ही सामान्य मिश्रित प्रभाव वाले मॉडल को चित्रित करने का एक साफ, संक्षिप्त तरीका है। nlmeएक बहुत बड़ा टूल बॉक्स है, जिसमें आपको आवश्यक किसी भी उपकरण को बनाने के लिए एक TIG वेल्डर शामिल है।

आप कहते हैं कि आप "समय के साथ बदलाव" के लिए अनुमति देना चाहते हैं। अनिवार्य रूप से, एक विनिमेय सहसंबंध संरचना इसे प्राप्त करती है, प्रत्येक क्लस्टर में एक यादृच्छिक अवरोधन की अनुमति देती है, ताकि इंट्राक्लस्टर संस्करण क्लस्टर स्तर भिन्नता के साथ-साथ समय पर (जिसे आप कॉल करते हैं) भिन्नता का योग हो। और यह किसी भी तरह से आपको समय के साथ अधिक सटीक भविष्यवाणियां प्राप्त करने के लिए निश्चित प्रभावों का उपयोग करने से रोकता है।

— Adamo
स्रोत

हम्म। Lme4 में AR-1 सहसंबंध का उपयोग कैसे किया जा सकता है?

— अमीबा का कहना है कि मोनिका