全文鏈接：http://tecdat.cn/?p=3138

隨著軟件包的進(jìn)步，使用廣義線性混合模型（GLMM）和線性混合模型（LMM）變得越來(lái)越容易

最近我們被客戶要求撰寫(xiě)關(guān)于廣義線性混合模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。 由于我們發(fā)現(xiàn)自己在工作中越來(lái)越多地使用這些模型，我們開(kāi)發(fā)了一套R(shí) shiny工具來(lái)簡(jiǎn)化和加速與對(duì)象交互的lme4常見(jiàn)任務(wù)。

shiny的應(yīng)用程序和演示

演示此應(yīng)用程序功能的最簡(jiǎn)單方法是使用Shiny應(yīng)用程序，在此處啟動(dòng)一些指標(biāo)以幫助探索模型。?

在第一個(gè)選項(xiàng)卡上，該函數(shù)顯示用戶選擇的數(shù)據(jù)的預(yù)測(cè)區(qū)間。該函數(shù)通過(guò)從固定效應(yīng)和隨機(jī)效應(yīng)項(xiàng)的模擬分布中抽樣并組合這些模擬估計(jì)來(lái)快速計(jì)算預(yù)測(cè)區(qū)間，以產(chǎn)生每個(gè)觀察的預(yù)測(cè)分布。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言用潛類(lèi)別混合效應(yīng)模型(Latent Class Mixed Model ,LCMM)分析老年癡呆年齡數(shù)據(jù)

左右滑動(dòng)查看更多

01

02

03

04

在下一個(gè)選項(xiàng)卡上，固定效應(yīng)和組級(jí)效果的分布在置信區(qū)間圖上顯示。這些對(duì)于診斷非常有用，并提供了檢查各種參數(shù)的相對(duì)大小的方法。

在第三個(gè)標(biāo)簽上有一些方便的方法，顯示效果的影響或程度predictInterval。對(duì)于每種情況，最多12個(gè)，在所選數(shù)據(jù)類(lèi)型中，用戶可以查看更改固定效應(yīng)的影響。這允許用戶比較變量之間的效果大小，以及相同數(shù)據(jù)之間的模型之間的效果大小。

預(yù)測(cè)

預(yù)測(cè)像這樣。

predict(m1,?newdata#>????????1????????2????????3????????4????????5????????6????????7????????8#>?3.146336?3.165211?3.398499?3.114248?3.320686?3.252670?4.180896?3.845218#>????????9???????10#>?3.779336?3.331012

預(yù)測(cè)lm和glm：

predInte(m1,?newdata?=?Eval[1:10,?],?n.sims?=?500,?level?=?0.9,#>?????????fit??????lwr??????upr#>?1??3.074148?1.112255?4.903116#>?2??3.243587?1.271725?5.200187#>?3??3.529055?1.409372?5.304214#>?4??3.072788?1.079944?5.142912#>?5??3.395598?1.268169?5.327549#>?6??3.262092?1.333713?5.304931

預(yù)測(cè)區(qū)間較慢，因?yàn)樗悄M計(jì)算。

可視化

可視化檢查對(duì)象的功能。最簡(jiǎn)單的是得到固定和隨機(jī)效應(yīng)參數(shù)的后驗(yàn)分布。

head(Sim)#>??????????term????????mean??????median?????????sd#>?1?(Intercept)??3.22673524??3.22793168?0.01798444#>?2????service1?-0.07331857?-0.07482390?0.01304097#>?3???lectage.L?-0.18419526?-0.18451731?0.01726253#>?4???lectage.Q??0.02287717??0.02187172?0.01328641#>?5???lectage.C?-0.02282755?-0.02117014?0.01324410

我們可以這樣繪制：

pltsim(sim(m1,?n.sims?=?100),?level?=?0.9,?stat?=?'median'

我們還可以快速制作隨機(jī)效應(yīng)的圖：

head(Sims) #>???groupFctr?groupID????????term????????mean??????median????????sd #>?1?????????s???????1?(Intercept)??0.15317316??0.11665654?0.3255914#>?2?????????s???????2?(Intercept)?-0.08744824?-0.03964493?0.2940082#>?3?????????s???????3?(Intercept)??0.29063126??0.30065450?0.2882751#>?4?????????s???????4?(Intercept)??0.26176515??0.26428522?0.2972536#>?5?????????s???????5?(Intercept)??0.06069458??0.06518977?0.3105805plotR((m1,?n.sims?=?100),?stat?=?'median',?sd?=?TRUE

有時(shí)，隨機(jī)效應(yīng)可能難以解釋

?Rank(m1,?groupFctr?=?"d")head(ranks) #>??????d?(Intercept)?(Intercept)_var???????ER?pctER #>?1?1866???1.2553613?????0.012755634?1123.806???100#>?2?1258???1.1674852?????0.034291228?1115.766????99#>?3??240???1.0933372?????0.008761218?1115.090????99#>?4???79???1.0998653?????0.023095979?1112.315????99#>?5??676???1.0169070?????0.026562174?1101.553????98#>?6???66???0.9568607?????0.008602823?1098.049????97

效果模擬

解釋LMM和GLMM模型的結(jié)果很困難，尤其是不同參數(shù)對(duì)預(yù)測(cè)結(jié)果的相對(duì)影響。

impact(m1,?Eval[7,?],?groupFctr?=?"d",?breaks?=?5,n.sims?=?300,?level?=?0.9)#>???case?bin???AvgFit?????AvgFitSE?nobs#>?1????1???1?2.787033?2.801368e-04??193#>?2????1???2?3.260565?5.389196e-05??240#>?3????1???3?3.561137?5.976653e-05??254#>?4????1???4?3.840941?6.266748e-05??265#>?5????1???5?4.235376?1.881360e-04??176

結(jié)果表明yhat根據(jù)我們提供的newdata在組因子系數(shù)的大小方面，從第一個(gè)到第五個(gè)分位數(shù)的變化。

ggplot(impSim,?aes(x?=?factor(bin),?y?=?AvgFit,?ymin?=?AvgFit?-?1.96*AvgFitSE,ymax?=?AvgFit?+?1.96*AvgFitSE))?+

非常感謝您閱讀本文，有任何問(wèn)題請(qǐng)?jiān)谙旅媪粞裕?/h1>

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《R語(yǔ)言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言用潛類(lèi)別混合效應(yīng)模型(Latent Class Mixed Model ,LCMM)分析老年癡呆年齡數(shù)據(jù)
R語(yǔ)言貝葉斯廣義線性混合（多層次/水平/嵌套）模型GLMM、邏輯回歸分析教育留級(jí)影響因素?cái)?shù)據(jù)R語(yǔ)言估計(jì)多元標(biāo)記的潛過(guò)程混合效應(yīng)模型（lcmm）分析心理測(cè)試的認(rèn)知過(guò)程
R語(yǔ)言因子實(shí)驗(yàn)設(shè)計(jì)nlme擬合非線性混合模型分析有機(jī)農(nóng)業(yè)施氮水平
R語(yǔ)言非線性混合效應(yīng) NLME模型(固定效應(yīng)&隨機(jī)效應(yīng))對(duì)抗哮喘藥物茶堿動(dòng)力學(xué)研究
R語(yǔ)言用線性混合效應(yīng)（多水平/層次/嵌套）模型分析聲調(diào)高低與禮貌態(tài)度的關(guān)系
R語(yǔ)言LME4混合效應(yīng)模型研究教師的受歡迎程度R語(yǔ)言nlme、nlmer、lme4用（非）線性混合模型non-linear mixed model分析藻類(lèi)數(shù)據(jù)實(shí)例
R語(yǔ)言混合線性模型、多層次模型、回歸模型分析學(xué)生平均成績(jī)GPA和可視化
R語(yǔ)言線性混合效應(yīng)模型（固定效應(yīng)&隨機(jī)效應(yīng)）和交互可視化3案例
R語(yǔ)言用lme4多層次（混合效應(yīng)）廣義線性模型（GLM），邏輯回歸分析教育留級(jí)調(diào)查數(shù)據(jù)R語(yǔ)言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語(yǔ)言混合效應(yīng)邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)
R語(yǔ)言如何用潛類(lèi)別混合效應(yīng)模型（LCMM）分析抑郁癥狀
R語(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言建立和可視化混合效應(yīng)模型mixed effect model
R語(yǔ)言LME4混合效應(yīng)模型研究教師的受歡迎程度
R語(yǔ)言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語(yǔ)言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）
R語(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言如何解決線性混合模型中畸形擬合(Singular fit)的問(wèn)題
基于R語(yǔ)言的lmer混合線性回歸模型
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
R語(yǔ)言分層線性模型案例
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)（SAT）建立分層模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分層線性模型HLM
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
SPSS中的多層（等級(jí)）線性模型Multilevel linear models研究整容手術(shù)數(shù)據(jù)
用SPSS估計(jì)HLM多層（層次）線性模型模型

標(biāo)簽：