标签: mixed-models

如何为以下模型初始化非结构化协方差矩阵？

y<-data.frame(response=c(10,19,27,28,9,13,25,29,4,10,20,18,5,6,12,17),
               treatment=factor(rep(1:4,4)),
               subject=factor(rep(1:4,each=4))
               )
fit<-lme(response~-1+treatment,y,random=~1|subject,
         correlation=corSymm(form=~1|subject))

我尝试了一些变种,但每次收到错误都会得到:

Error in lme.formula(response ~ -1 + treatment, y, random = ~1 |  : 
  nlminb problem, convergence error code = 1
  message = function evaluation limit reached without convergence (9)

我正在尝试创建一个线性混合模型（lmm），它允许点之间的空间相关性（每个点都有纬度/经度）。我希望空间相关性基于点之间的大圆距离。

该包ramps包含一个相关结构，用于计算 \xe2\x80\x98havesine\xe2\x80\x99 距离 \xe2\x80\x93 尽管我在实现它时遇到了麻烦。我以前使用过其他相关结构（corGaus，corExp）并且没有遇到任何困难。我假设corRGaus“haversine”指标可以以相同的方式实现。

我能够使用该lme函数成功创建一个具有在平面距离上计算的空间相关性的 lmm。

我还能够创建一个线性模型（未混合），并使用大圆距离计算空间相关性，尽管使用该gls命令的相关结构存在错误。

当尝试使用gls具有大圆距离的线性模型的命令时，我遇到以下错误：

x = runif(20, 1,50)\ny = runif(20, 1,50)\ngls(x ~ y, cor = corRGaus(form = ~ x + y))\n\nGeneralized least squares fit by REML\n Model: x ~ y \n Data: NULL \nLog-restricted-likelihood: -78.44925\n\nCoefficients:\n (Intercept)            y \n24.762656602  0.007822469 \n\nCorrelation Structure: corRGaus\n Formula: ~x + y \n Parameter estimate(s):\nError in attr(object, "fixed") && unconstrained : …

我正在使用线性混合效应模型(使用lme()R中nlme包中的函数运行),它具有一个固定效果和一个随机截距项(以考虑不同的组).该模型是如此指定的三次多项式模型(遵循以下建议):

   M1 = lme(dv ~ poly(iv,3), data=dat, random= ~1|group, method="REML")

仅限一些示例数据:

> dput(dat)
structure(list(group = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("1", 
"2"), class = "factor"), iv = c(24L, …

我使用 MASS 和 lme4 运行混合效应逻辑回归，但得到不同的结果，我想知道是否（以及哪里）出了问题。

我的模型如下：

DV：synt_num（0 与 1）

IV:\nvoc1_tvl: 连续

wo：二分法（“vs”和“vo”）

动词：二分法（“c”和“t”）

使用质量

如果我输入以下公式：

synt1 = glmmPQL (synt_num ~ voc1_tvl*verb*wo, random = ~1|participants, data=opz, family="binomial")\n

我得到以下输出

Linear mixed-effects model fit by maximum likelihood\n Data: ops \n  AIC BIC logLik\n   NA  NA     NA\n\nRandom effects:\n Formula: ~1 | participants\n        (Intercept)    Residual\nStdDev:    21.50518 0.003233762\n\nVariance function:\n Structure: fixed weights\n Formula: ~invwt \nFixed effects: synt_num ~ voc1_tvl * verb * wo \n                                Value Std.Error …

我有六个固定因子：A, B, C, D, EandF和一个随机因子R。我想使用语言 R 测试线性项、纯二次项和双向交互。因此，我构建了完整的线性混合模型并尝试使用以下方法测试其项drop1：

full.model <- lmer(Z ~ A + B + C + D + E + F
                     + I(A^2) + I(B^2) + I(C^2) + I(D^2) + I(E^2) + I(F^2)
                     + A:B + A:C + A:D + A:E + A:F
                           + B:C + B:D + B:E + B:F
                                 + C:D + C:E + C:F 
                                       + D:E + D:F
                                             + E:F
                     + (1 | R), data=mydata, REML=FALSE)
drop1(full.model, test="Chisq") …

我正在尝试使用 R 中的 lmerTest 包使用 SAS 中的 Satterwaithe 近似来重现 PROC MIXED 过程的输出。

这是我的数据：

Participant Condition   Data
1   0   -1,032941629
1   0   0,869267841
1   0   -1,636722191
1   0   -1,15451393
1   0   0,340454836
1   0   -0,399315906
1   1   0,668983169
1   1   1,937817592
1   1   3,110013393
1   1   3,23409718
2   0   0,806881925
2   1   2,71020911
2   1   3,406864275
2   1   1,494288182
2   1   0,741827047
2   1   2,532062685
2   1   3,702118917
2   1   1,825046681
2   1   4,37167021
2   1   1,85125279
3   0   0,288743786
3 …

我正在使用 Python 中的 statsmodels MixedLM 包估计混合线性模型。拟合模型后，我现在想进行预测，但正在努力理解“预测”方法。

statsmodels 文档 ( http://www.statsmodels.org/dev/generated/statsmodels.regression.mixed_linear_model.MixedLM.predict.html ) 表明 predict 方法采用包含已估计模型参数的数组。我怎样才能检索这个数组？

y = raw_data['dependent_var']
X = raw_data[['var1', 'var2', 'var3']]
groups = raw_data['person_id']

model = sm.MixedLM(endog=y, exog=X, groups=groups)
result = model.fit()

如何在 R 中拟合序数（3 个级别）逻辑混合效应模型？我想它就像一个 glmer，除了三个结果级别之外。

数据结构

patientid    Viral_load     Adherence     audit_score     visit
1520         0              optimal       nonhazardous       1
1520         0              optimal       nonhazardous       2
1520         0              optimal       hazardous          3
1526         1              suboptimal    hazardous          1
1526         0              optimal       hazardous          2
1526         0              optimal       hazardous          3
1568         2              suboptimal    hazardous          1
1568         2              suboptimal    nonhazardous       2
1568         2              suboptimal    nonhazardous       3

其中病毒载量（感兴趣的结果）由三个级别（0、1、2）组成，依从性 - 最佳/次优、审核评分无危险/危险以及 3 次就诊。

这是使用广义混合效果模型代码的模型外观的示例。

library (lme4)
test <- glmer(viral_load ~ audit_score + adherence + (1|patientid) + (1|visit), data = df,family = binomial) …

我想在使用 时使​​用na.passfor 。某些列中的数据集的某些观察值存在值。我只想控制包含 的变量。非常重要的是，在控制固定效应后，数据集的大小将保持不变。我想我必须与in一起工作。我正在使用以下模型：na.actionlmerNANAna.actionlmer()

baseline_model_0 <- lmer(formula=log_life_time_income_child ~  nationality_dummy + 
    sex_dummy + region_dummy + political_position_dummy +(1|Family), data = baseline_df

qr.default(X, tol = tol, LAPACK = FALSE) 中的错误：外部函数调用中的 NA/NaN/Inf (arg 1)

我的数据：如下所示，所有控制变量中都有相当多的 NA。所以“扔掉”所有这些观察结果是没有选择的！

一个例子：

nat_dummy
1   : 335
2   :  19
NA's: 252

我的问题：

1.) 如何将所有控制变量（以多列表示）包含到模型中而不排除观察值（以行表示）？

2.) 如何lmer处理所有列中缺失的变量？

我对stats::model.matrixR中的函数之以鼻。在描述中它说它将创建一个设计矩阵。它给了我奇怪的行数，既不对应于我的数据中的观察数，也不对应于我的模型中的参数数。

什么是设计矩阵/模型矩阵？

这是我的用法：

M03b <- glmer(APMs ~ PrePost + Gf + eyeFRF + (1|content) + (eyeFRF|ID),    data=mlmData, family=binomial("logit"))
X <- model.matrix(M03b)

它给了我2895x4矩阵 ID有105个级别，内容为28，所以行数对我来说意义不大。也许缺少价值是一个问题？