Lme4 में यादृच्छिक-प्रभावों के लिए वैरिएनस-कोवरियन संरचना

Question

में यादृच्छिक प्रभाव के लिए डिफ़ॉल्ट विचरण-सहप्रसरण संरचना क्या है glmerया lmerमें lme4पैकेज? कोड में यादृच्छिक-प्रभावों के लिए कोई अन्य विचरण-सहसंयोजक संरचना कैसे निर्दिष्ट करता है? मुझे इस बारे में कोई जानकारी lme4दस्तावेज में नहीं मिली ।

Answer 1

डिफ़ॉल्ट विचरण-सहसंयोजक संरचना असंरचित है - अर्थात, स्तरों के साथ एक वेक्टर यादृच्छिक प्रभाव के लिए विचरण-सहसंयोजक मैट्रिक्स पर एकमात्र बाधा सकारात्मक परिभाषा है। अलग-अलग यादृच्छिक प्रभावों की शर्तों को स्वतंत्र माना जाता है, हालांकि, यदि आप फिट करना चाहते हैं (जैसे) यादृच्छिक अवरोधन और ढलान वाला एक मॉडल जहां अवरोधन और ढलान असंबंधित हैं (जरूरी नहीं कि एक अच्छा विचार), आप सूत्र का उपयोग कर सकते हैं , जहां है समूहन कारक; $n$(1|g) + (0+x|g)g0दूसरे कार्यकाल में अवरोधन को दबा देता है। यदि आप एक श्रेणीगत चर (फिर, संभवतः संदिग्ध) के स्वतंत्र मापदंडों को फिट करना चाहते हैं, तो आपको संभवतः हाथ से संख्यात्मक डमी चर का निर्माण करना होगा। आप कर सकते हैं, एक नेस्टेड समूह चर के रूप में कारक का इलाज करके एक यौगिक-सममितीय विचरण-सहसंयोजक संरचना (केवल गैर-नकारात्मक सहसंयोजक के साथ) का निर्माण कर सकते हैं। उदाहरण के लिए, यदि fकोई कारक है, तो (1|g/f)स्तरों के बीच समान सहसंबंधों को मान लेगा f।

अन्य / अधिक जटिल विचरण-सहसंयोजक संरचनाओं के लिए, आपकी पसंद (R में) (1) उपयोग करने के लिए है nlme(जिसमें pdMatrixअधिक लचीलेपन की अनुमति देने के लिए निर्माणकर्ता हैं); (२) उपयोग MCMCglmm(जो विभिन्न प्रकार की संरचनाएं प्रदान करता है जिसमें असंरचित, यौगिक सममिति, विभिन्न भिन्नताओं के साथ पहचान, या सजातीय भिन्नताओं के साथ पहचान); (3) विशेष प्रयोजन के पैकेज का उपयोग करें जैसे pedigreemmकि एक विशेष संरचित मैट्रिक्स का निर्माण करता है। flexLambdaगितुब पर एक शाखा है जो अंततः इस दिशा में अधिक क्षमता प्रदान करने की उम्मीद करती है।

Comments

शायद यह इंगित करने लायक है कि xxMपैकेज भी एक अच्छा लेकिन अधिक जटिल विकल्प है, जो संरचना समीकरण मॉडलिंग की अनुमति देता है। xxm.times.uh.edu

— User33268

Answer 2

मैं इसे उदाहरण से दिखा सकता हूं।

निश्चित और यादृच्छिक प्रभावों के रूप में सहसंयोजक शर्तों को एक ही सूत्र में निर्दिष्ट किया गया है। सूत्र लिखने के तरीके से कोवरियन शब्द निर्दिष्ट किया जाता है।

उदाहरण के लिए:

glmer(y ~ 1 + x1 + (1|g) + (0+x1|g), data=data, family="binomial")

यहां दो निश्चित प्रभाव हैं जिन्हें यादृच्छिक रूप से भिन्न करने की अनुमति है, और एक समूह कारक g। क्योंकि दो यादृच्छिक प्रभावों को अपनी शर्तों में अलग किया जाता है, उनके बीच कोई सहसंयोजक शब्द शामिल नहीं है। दूसरे शब्दों में, केवल विचरण-कोवरियन मैट्रिक्स का विकर्ण अनुमानित है। दूसरे शब्द में शून्य स्पष्ट रूप से कहता है कि एक यादृच्छिक अवरोधन शब्द न जोड़ें या किसी मौजूदा यादृच्छिक अवरोधन को अलग-अलग होने दें x1।

एक दूसरा उदाहरण:

glmer(y ~ 1 + x1 + (1+x1|g), data=data, family="binomial")

यहाँ अवरोधन और x1यादृच्छिक प्रभावों के बीच एक सहसंयोजी निर्दिष्ट है क्योंकि 1 + X1 | g सभी एक ही शब्द में समाहित है। दूसरे शब्दों में, विचरण-सहसंयोजक संरचना में सभी 3 संभावित मापदंडों का अनुमान है।

एक और अधिक जटिल उदाहरण:

glmer(y ~ 1 + x1 + x2 + (1+x1|g) + (0+x2|g), data=data, family="binomial")

यहां अवरोधक और x1यादृच्छिक प्रभावों को एक साथ भिन्न करने की अनुमति है जबकि x2यादृच्छिक प्रभाव और अन्य दो में से प्रत्येक के बीच एक शून्य सहसंबंध लगाया जाता है । फिर से एक 0को x2यादृच्छिक प्रभाव शब्द में शामिल किया गया है ताकि स्पष्ट रूप से एक यादृच्छिक अवरोधन से बचा जा सके जो x2यादृच्छिक प्रभाव के साथ सहवास करता है।