在夏天的MMer 中获得emmeans 吗？

Question

其他关键字： 最佳线性无偏估计量 (BLUE)、调整均值、混合模型、固定效应、线性组合、对比度、R

mmer()使用sommer包拟合模型后- 是否可以从对象获得估计边际均值 ( emmeans()) /最小二乘均值 (LS-means)mmer？也许类似于predict()ASReml-R v3 的功能？

实际上，我想要很多东西，也许分开要求会更清楚：

1. em 指的是他们自己和他们的
2. 标准误差 (se)
3. 作为每个级别平均值旁边的一列
4. emmeans 的方差-协方差矩阵（参见predict(..., vcov=T)）
5. 手段及其之间的对比
6. 差异的标准误 (sed)
7. 均值之间的所有成对差异，最好进行事后检验（参见emmeans(mod, pairwise ~ effect, adjust="Tukey")
8. Sed 矩阵（参见predict(..., sed=T)）
9. 最小值、平均值和最大值 sed
10. 定制对比

所以是的，基本上 和 的混合predict()将emmeans()是这里的目标。

提前致谢！

Answer 1

看来是有可能的。这是该包的示例之一：

library(sommer) # Version 4.1.2
data(DT_cornhybrids)
DT <- DT_cornhybrids
DTi <- DTi_cornhybrids
GT <- GT_cornhybrids
hybrid2 <- DT
A <- GT
K1 <- A[levels(hybrid2$GCA1), levels(hybrid2$GCA1)]
K2 <- A[levels(hybrid2$GCA2), levels(hybrid2$GCA2)]
S <- kronecker(K1, K2, make.dimnames=TRUE)   

ans <- mmer(Yield ~ Location, 
             random = ~ vs(GCA1,Gu=K1) + vs(GCA2,Gu=K2) + vs(SCA,Gu=S),
             rcov=~units,
            data=hybrid2)
summary(ans)

## ...
## Fixed effects:
##   Trait      Effect   Estimate Std.Error    t.value
## 1 Yield (Intercept)  1.379e+02     1.962  7.031e+01
## 2 Yield   Location2  1.776e-14     2.099  8.461e-15
## 3 Yield   Location3  7.835e+00     2.099  3.732e+00
## 4 Yield   Location4 -9.097e+00     2.099 -4.333e+00
## ...

返回的对象具有元素$Beta并且$VarBeta返回其固定效应和协方差。我们可以使用以下方法创建参考网格emmeans::qdrg()：

rg <- qdrg(~ Location, data = hybrid2, coef = ans$Beta$Estimate, 
    vcov = ans$VarBeta)
rg
## 'emmGrid' object with variables:
##    Location = 1, 2, 3, 4

emmeans(rg, trt.vs.ctrl1 ~ Location)
## $emmeans
##  Location emmean   SE  df asymp.LCL asymp.UCL
##  1           138 1.96 Inf       134       142
##  2           138 1.96 Inf       134       142
##  3           146 1.96 Inf       142       150
##  4           129 1.96 Inf       125       133

## Confidence level used: 0.95 

## $contrasts
##  contrast estimate  SE  df z.ratio p.value
##  2 - 1        0.00 2.1 Inf  0.000  1.0000 
##  3 - 1        7.84 2.1 Inf  3.732  0.0006 
##  4 - 1       -9.10 2.1 Inf -4.333  <.0001 

## P value adjustment: dunnettx method for 3 tests 

事实上，位置 1 的 EMM 及其 SE 与summary()截距相匹配，并且其余回归系数和 SE 与对比结果相匹配，这一事实令人放心。

qdrg有关更多详细信息，请参阅文档。

Answer 2

在 sommer >= 3.7 中，已实现预测函数，以便像 asreml 那样获得固定或随机效应的预测。它需要一个模型和分类参数来知道使用哪些参数来聚合超表并得出正确的标准错误。例如：

data(DT_cpdata)
#### create the variance-covariance matrix
A <- A.mat(GT) # additive relationship matrix
#### look at the data and fit the model
head(DT)
mix1 <- mmer(Yield~1,
              random=~vs(id,Gu=A)
                      + Rowf + Colf,
              rcov=~units,
              data=DT)
summary(mix1)

preds <- predict(mix1,classify = "id")
> head(preds$predictions)
    id predicted.value.Yield standard.errors.Yield
1 P003             111.15400              28.16363
2 P004             135.21958              29.81544
3 P005             109.72743              29.68574
4 P006             144.98582              27.99627

preds <- predict(mix1,classify = "Rowf")
> head(preds$predictions)
  Rowf predicted.value.Yield standard.errors.Yield
1    1              81.71645              23.22997
2    2              96.79625              22.92514
3    3             128.89043              22.64216
4    4             132.65795              22.73903

等等... RtermsToForce 和 FtermsToForce 参数可用于强制在预测中使用特定的固定或随机项。我猜是下一个版本的定制对比。