全文下載鏈接：http://tecdat.cn/?p=20631

最近我們被客戶要求撰寫關(guān)于混合效應(yīng)模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

我們已經(jīng)學(xué)習(xí)了如何處理混合效應(yīng)模型。本文的重點(diǎn)是如何建立和_可視化_?混合效應(yīng)模型的結(jié)果。

設(shè)置

本文使用數(shù)據(jù)集，用于探索草食動物種群對珊瑚覆蓋的影響。

knitr::opts_chunk$set(echo = TRUE)library(tidyverse) # 數(shù)據(jù)處理library(lme4) # ?lmer ? glmer 模型me_data <- read_csv("mixede.csv")

創(chuàng)建一個基本的混合效應(yīng)模型：

該模型以珊瑚覆蓋層為因變量（elkhorn_LAI），草食動物種群和深度為固定效應(yīng)（c。urchinden，c.fishmass，c.maxD）和調(diào)查地點(diǎn)作為隨機(jī)效應(yīng)（地點(diǎn)）。
。
注意：由于食草動物種群的測量規(guī)模存在差異，因此我們使用標(biāo)準(zhǔn)化的值，否則模型將無法收斂。我們還使用了因變量的對數(shù)。我正在根據(jù)這項(xiàng)特定研究對數(shù)據(jù)進(jìn)行分組。

summary(mod)## Linear mixed model fit by maximum likelihood ?['lmerMod']## ## ? ? ?AIC ? ? ?BIC ? logLik deviance df.resid ## ? ?116.3 ? ?125.1 ? ?-52.1 ? ?104.3 ? ? ? 26 ## ## Scaled residuals: ## ? ? Min ? ? ?1Q ?Median ? ? ?3Q ? ? Max ## -1.7501 -0.6725 -0.1219 ?0.6223 ?1.7882 ## ## Random effects:## ?Groups ? Name ? ? ? ?Variance Std.Dev.## ?site ? ? (Intercept) 0.000 ? ?0.000 ? ## ?Residual ? ? ? ? ? ? 1.522 ? ?1.234 ? ## Number of obs: 32, groups: ?site, 9## ## Fixed effects:## ? ? ? ? ? ? Estimate Std. Error t value## (Intercept) ?10.1272 ? ? 0.2670 ?37.929## c.urchinden ? 0.5414 ? ? 0.2303 ? 2.351## c.fishmass ? ?0.4624 ? ? 0.4090 ? 1.130## c.axD ? ? ? ?0.3989 ? ? 0.4286 ? 0.931## ## Correlation of Fixed Effects:## ? ? ? ? ? ? (Intr) c.rchn c.fshm## c.urchinden ?0.036 ? ? ? ? ? ? ?## c.fishmass ?-0.193 ?0.020 ? ? ? ## c.maxD ? ? ? 0.511 ?0.491 -0.431## convergence code: 0## boundary (singular) fit: see ?isSingular

繪制效應(yīng)大小圖：

如果您有很多固定效應(yīng)，這很有用。

plot(mod)

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例

左右滑動查看更多

01

02

03

04

效應(yīng)大小的格式化圖：

讓我們更改軸標(biāo)簽和標(biāo)題。

# 注意：軸標(biāo)簽應(yīng)按從下到上的順序排列。# 要查看效應(yīng)大小和p值，設(shè)置show.values和show.p= TRUE。只有當(dāng)效應(yīng)大小的值過大時(shí)，才會顯示P值。 ?title="草食動物對珊瑚覆蓋的影響")

模型結(jié)果表輸出：

創(chuàng)建模型摘要輸出表。這將提供預(yù)測變量，包括其估計(jì)值，置信區(qū)間，估計(jì)值的p值以及隨機(jī)效應(yīng)信息。

tab(mod)

格式化表格

# 注：預(yù)測標(biāo)簽（pred.labs）應(yīng)從上到下排列；dv.labs位于表格頂部的因變量的名稱。 ? ? ? ? ? ? ? ? ?pred.labels =c("(Intercept)", "Urchins", "Fish", "Depth"),

?

用數(shù)據(jù)繪制模型估計(jì)

我們可以在實(shí)際數(shù)據(jù)上繪制模型估計(jì)值！我們一次只針對一個變量執(zhí)行此操作。注意：數(shù)據(jù)已標(biāo)準(zhǔn)化以便在模型中使用，因此我們繪制的是標(biāo)準(zhǔn)化數(shù)據(jù)值，而不是原始數(shù)據(jù)

步驟1：將效應(yīng)大小估算值保存到data.frame中

# 使用函數(shù)。term=固定效應(yīng)，mod=你的模型。effect(term= "c.urchinden", mod= mod) summary(effects) #值的輸出## ## ?c.urchinden effect## c.urchinden## ? ? -0.7 ? ? ?0.4 ? ? ? ?2 ? ? ? ?3 ? ? ? ?4 ## ?9.53159 10.12715 10.99342 11.53484 12.07626 ## ## ?Lower 95 Percent Confidence Limits## c.urchinden## ? ? ?-0.7 ? ? ? 0.4 ? ? ? ? 2 ? ? ? ? 3 ? ? ? ? 4 ## ?8.857169 ?9.680160 10.104459 10.216537 10.306881 ## ## ?Upper 95 Percent Confidence Limits## c.urchinden## ? ? -0.7 ? ? ?0.4 ? ? ? ?2 ? ? ? ?3 ? ? ? ?4 ## 10.20601 10.57414 11.88238 12.85314 13.84563# 將效應(yīng)值另存為df：x ?<- as.data.frame(effects)

步驟2：使用效應(yīng)值df繪制估算值

如果要保存基本圖（僅固定效應(yīng)和因變量數(shù)據(jù)），可以將其分解為單獨(dú)的步驟。注意：對于該圖，我正在基于此特定研究對數(shù)據(jù)進(jìn)行分組。

＃基本步驟： ?＃1創(chuàng)建空圖 ?#2 從數(shù)據(jù)中添加geom_points（） ?#3 為模型估計(jì)添加geom_point。我們改變顏色，使它們與數(shù)據(jù)區(qū)分開來 ?#4 為MODEL的估計(jì)值添加geom_line。改變顏色以配合估計(jì)點(diǎn)。 ?#5 添加具有模型估計(jì)置信區(qū)間的geom_ribbon ?#6 根據(jù)需要編輯標(biāo)簽！#1chin_plot <- ggplot() + ?#2geom_point(data , ?+ ?#3 ?geom_point(data=x_, aes(x= chinde, y=fit), color="blue") + ?#4 ?geom_line(data=x, aes(x= chinde, y=fit), color="blue") + ?#5 ?geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") + ?#6 ?labs(x="海膽（標(biāo)準(zhǔn)化）", y="珊瑚覆蓋層") chin_plot

本文摘選?《?R語言建立和可視化混合效應(yīng)模型mixed effect model?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語言用潛類別混合效應(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影響因素?cái)?shù)據(jù)R語言估計(jì)多元標(biāo)記的潛過程混合效應(yīng)模型（lcmm）分析心理測試的認(rèn)知過程
R語言因子實(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語言非線性混合效應(yīng) NLME模型(固定效應(yīng)&隨機(jī)效應(yīng))對抗哮喘藥物茶堿動力學(xué)研究
R語言用線性混合效應(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語言LME4混合效應(yīng)模型研究教師的受歡迎程度R語言nlme、nlmer、lme4用（非）線性混合模型non-linear mixed model分析藻類數(shù)據(jù)實(shí)例
R語言混合線性模型、多層次模型、回歸模型分析學(xué)生平均成績GPA和可視化
R語言線性混合效應(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調(diào)查數(shù)據(jù)R語言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語言混合效應(yīng)邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)
R語言如何用潛類別混合效應(yīng)模型（LCMM）分析抑郁癥狀
R語言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語言建立和可視化混合效應(yīng)模型mixed effect model
R語言LME4混合效應(yīng)模型研究教師的受歡迎程度
R語言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語言用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語言如何解決線性混合模型中畸形擬合(Singular fit)的問題
基于R語言的lmer混合線性回歸模型
R語言用WinBUGS 軟件對學(xué)術(shù)能力測驗(yàn)建立層次（分層）貝葉斯模型
R語言分層線性模型案例
R語言用WinBUGS 軟件對學(xué)術(shù)能力測驗(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語言用WinBUGS 軟件對學(xué)術(shù)能力測驗(yàn)建立層次（分層）貝葉斯模型
SPSS中的多層（等級）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