use*_*925 2 statistics r spatial gam
我正在尝试分析生物体的一些视觉断面数据以生成栖息地分布模型。一旦发现生物体，就会按照给定的时间间隔收集点数据来跟踪它们。由于这些“跟随”之间的自相关性，我希望使用类似于 Pirotta 等人的 GAM-GEE 方法。2011，使用包“yags”和“splines”（http://www.int-res.com/abstracts/meps/v436/p257-272/）。他们的 R 脚本如下所示 (http://www.int-res.com/articles/suppl/m436p257_supp/m436p257_supp1-code.r)。我使用此代码的成功有限，并且存在多个模型无法收敛的问题。
\n\n以下是我的数据结构：
\n\n> str(dat2)\n\n\'data.frame\': 10792 obs. of 4 variables:\n\n $ dist_slag : num 26475 26340 25886 25400 24934 ...\n $ Depth : num -10.1 -10.5 -16.6 -22.2 -29.7 ...\n$ dolphin_presence: int 0 0 0 0 0 0 0 0 0 0 ...\n\n\n $ block : int 1 1 1 1 1 1 1 1 1 1 ...\n\n\n> head(dat2)\n\n dist_slag Depth dolphin_presence block\n1 26475.47 -10.0934 0 1\n2 26340.47 -10.4870 0 1\n3 25886.33 -16.5752 0 1\n4 25399.88 -22.2474 0 1\n\n\n\n5 24934.29 -29.6797 0 1\n6 24519.90 -26.2370 0 1\n这是我的块变量的摘要（指示每个块中存在自相关的组数
\n\n> summary(dat2$block)\n Min. 1st Qu. Median Mean 3rd Qu. Max. \n 1.00 39.00 76.00 73.52 111.00 148.00\n不过，我想使用“gamm4”包，因为我更熟悉Simon Wood教授的包和功能，看来gamm4可能是最合适的。值得注意的是，这些模型具有二元响应（沿横断面有机体存在或不存在），因此我认为 gamm4 比 gamm 更合适。在 gamm 帮助中，它提供了以下因子内自相关的示例：
\n\n## more complicated autocorrelation example - AR errors\n## only within groups defined by `fac\'\ne <- rnorm(n,0,sig)\nfor (i in 2:n) e[i] <- 0.6*e[i-1]*(fac[i-1]==fac[i]) + e[i]\ny <- f + e\nb <- gamm(y~s(x,k=20),correlation=corAR1(form=~1|fac))\n按照此示例，以下是我用于数据集的代码
\n\nb <- gamm4(dolphin_presence~s(dist_slag)+s(Depth),random=(form=~1|block), family=binomial(),data=dat)\n然而，通过检查输出 (summary(b$gam)) 特别是 summary(b$mer))，我要么不确定如何解释结果，要么不相信正在考虑组内的自相关。
\n\n> summary(b$gam)\n\nFamily: binomial \nLink function: logit \n\nFormula:\ndolphin_presence ~ s(dist_slag) + s(Depth)\n\nParametric coefficients:\n\n\n Estimate Std. Error z value Pr(>|z|) \n (Intercept) -13.968 5.145 -2.715 0.00663 **\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1 \n\nApproximate significance of smooth terms:\n\n\n edf Ref.df Chi.sq p-value \ns(dist_slag) 4.943 4.943 70.67 6.85e-14 ***\ns(Depth) 6.869 6.869 115.59 < 2e-16 ***\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1 \n\n\n\nR-sq.(adj) = 0.317glmer.ML score = 10504 Scale est. = 1 n = 10792\n> \n\n> summary(b$mer)\nGeneralized linear mixed model fit by the Laplace approximation \n\n\n AIC BIC logLik deviance\n 10514 10551 -5252 10504\nRandom effects:\n Groups Name Variance Std.Dev.\n Xr s(dist_slag) 1611344 1269.39 \n Xr.0 s(Depth) 98622 314.04 \nNumber of obs: 10792, groups: Xr, 8; Xr.0, 8\n\n\n\nFixed effects:\n Estimate Std. Error z value Pr(>|z|) \nX(Intercept) -13.968 5.145 -2.715 0.00663 **\nXs(dist_slag)Fx1 -35.871 33.944 -1.057 0.29063 \nXs(Depth)Fx1 3.971 3.740 1.062 0.28823 \n\n\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1 \n\nCorrelation of Fixed Effects:\n X(Int) X(_)F1\nXs(dst_s)F1 0.654 \nXs(Dpth)Fx1 -0.030 0.000\n> \n如何确保在“块”变量的每个唯一值中确实考虑了自相关？解释“summary(b$mer)”输出的最简单方法是什么？
\n\n结果确实与使用相同变量和参数但没有“correlation=...”术语的普通 gam（mgcv 包）不同，表明发生了不同的情况。
\n\n但是，当我对相关项（季节）使用不同的变量时，我得到相同的输出：
\n\n> dat2 <- data.frame(dist_slag = dat$dist_slag, Depth = dat$Depth, dolphin_presence = dat$dolphin_presence,\n\n+ block = dat$block, season=dat$season)\n > head(dat2)\n dist_slag Depth dolphin_presence block season\n1 26475.47 -10.0934 0 1 F\n2 26340.47 -10.4870 0 1 F\n\n3 25886.33 -16.5752 0 1 F\n4 25399.88 -22.2474 0 1 F\n5 24934.29 -29.6797 0 1 F\n6 24519.90 -26.2370 0 1 F\n\n> summary(dat2$season)\n\n F S \n3224 7568 \n\n\n> b <- gamm4(dolphin_presence~s(dist_slag)+s(Depth),correlation=corAR1(1, form=~1 | season), family=binomial(),data=dat2)\n> summary(b$gam)\n\nFamily: binomial \nLink function: logit \n\n\nFormula:\ndolphin_presence ~ s(dist_slag) + s(Depth)\n\nParametric coefficients:\n Estimate Std. Error z value Pr(>|z|) \n (Intercept) -13.968 5.145 -2.715 0.00663 **\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1 \n\n\nApproximate significance of smooth terms:\n edf Ref.df Chi.sq p-value \ns(dist_slag) 4.943 4.943 70.67 6.85e-14 ***\ns(Depth) 6.869 6.869 115.59 < 2e-16 ***\n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1 \n\n\nR-sq.(adj) = 0.317glmer.ML score = 10504 Scale est. = 1 n = 10792\n> summary(b$mer)\nGeneralized linear mixed model fit by the Laplace approximation \n AIC BIC logLik deviance\n\n 10514 10551 -5252 10504\nRandom effects:\n Groups Name Variance Std.Dev.\n Xr s(dist_slag) 1611344 1269.39 \n Xr.0 s(Depth) 98622 314.04 \nNumber of obs: 10792, groups: Xr, 8; Xr.0, 8\n\n\nFixed effects:\n Estimate Std. Error z value Pr(>|z|) \nX(Intercept) -13.968 5.145 -2.715 0.00663 **\nXs(dist_slag)Fx1 -35.871 33.944 -1.057 0.29063 \nXs(Depth)Fx1 3.971 3.740 1.062 0.28823 \n---\nSignif. codes: 0 \xe2\x80\x98***\xe2\x80\x99 0.001 \xe2\x80\x98**\xe2\x80\x99 0.01 \xe2\x80\x98*\xe2\x80\x99 0.05 \xe2\x80\x98.\xe2\x80\x99 0.1 \xe2\x80\x98 \xe2\x80\x99 1 \n\nCorrelation of Fixed Effects:\n X(Int) X(_)F1\nXs(dst_s)F1 0.654 \nXs(Dpth)Fx1 -0.030 0.000\n> \n我只是想确保它正确地允许“块”变量的每个值之间的相关性。我如何制定模型来表明自相关可以存在于块的每个单个值中，但假设块之间是独立的？
\n\n另一方面，在较大模型（变量多于 2 个）的模型完成后，我还收到以下警告消息：
\n\nWarning message:\n In mer_finalize(ans) : false convergence (8)\ngamm4构建于 之上lme4，它不允许使用参数（与位于 之下的 , 包correlation相反）。 确实处理二进制数据，尽管它使用 PQL，它通常不如 Laplace/GHQ 近似准确，如. 不幸的是（!!），您没有收到警告，告诉您该参数被忽略（当我尝试使用带有参数的简单示例时，我确实收到了警告，但额外的参数可能会被忽略）吞入内部某处）。nlmemgcv::gammmgcv::gamm gamm4/lme4correlationcorrelationlme4gamm4nlme您所需的自相关结构（“自相关可以存在于块的每个单个值中，但假设块之间独立”）正是相关结构在（因此在）中编码的方式mgcv::gamm。mcgv::gamm，并建议如果可能的话，您可以在一些具有已知结构的模拟数据上尝试一下（或者使用上面补充材料中提供的数据集，看看是否可以用您的替代方法重现他们的定性结论）。r-sig-mixed-models@r-project.org| 归档时间： |
|
| 查看次数： |
2549 次 |
| 最近记录： |