拓端tecdat|R語言建立和可視化混合效應(yīng)模型mixed effect model
原文鏈接：http://tecdat.cn/?p=20631?
原文出處：拓端數(shù)據(jù)部落公眾號
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)查地點作為隨機(jī)效應(yīng)（地點）。
。
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.maxD ? ? ? ?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)
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，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，包括其估計值，置信區(qū)間，估計值的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
我們可以在實際數(shù)據(jù)上繪制模型估計值！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。
?；静襟E：＃1創(chuàng)建空圖#2 從數(shù)據(jù)中添加geom_points（）#3 為模型估計添加geom_point。我們改變顏色，使它們與數(shù)據(jù)區(qū)分開來#4 為MODEL的估計值添加geom_line。改變顏色以配合估計點。#5 添加具有模型估計置信區(qū)間的geom_ribbon#6 根據(jù)需要編輯標(biāo)簽！#1chin_plot <- ggplot() +#2geom_point(data , ?+#3geom_point(data=x_, aes(x= chinde, y=fit), color="blue") +#4geom_line(data=x, aes(x= chinde, y=fit), color="blue") +#5geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") +#6labs(x="海膽（標(biāo)準(zhǔn)化）", y="珊瑚覆蓋層")chin_plot
最受歡迎的見解
1.基于R語言的lmer混合線性回歸模型
2.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）
3.R語言線性混合效應(yīng)模型實戰(zhàn)案例
4.R語言線性混合效應(yīng)模型實戰(zhàn)案例2
5.R語言線性混合效應(yīng)模型實戰(zhàn)案例
6.線性混合效應(yīng)模型Linear Mixed-Effects Models的部分折疊Gibbs采樣
7.R語言LME4混合效應(yīng)模型研究教師的受歡迎程度
8.R語言中基于混合數(shù)據(jù)抽樣(MIDAS)回歸的HAR-RV模型預(yù)測GDP增長
9.使用SAS，Stata，HLM，R，SPSS和Mplus的分層線性模型HLM
