小编eli*_*isa的帖子

这里有超级基本问题:

我在Sublime 3中安装了R-box软件包,没有任何问题.我在Sublime的SublimeREPL.sublime-settings中改变了我的R.app路径,虽然这不应该在Mac上产生差异.我检查了Package Control - > R-Box:选择程序.它被设置为R.

我只是无法让Sublime向R发送代码.按Cmd + Enter不执行任何操作(实际上,它在Sublime上启动了一个新行).

我在Maverics上运行Sublime 3,在R版本3.2.1上运行.但是我在Sublime 2和之前的R版本中遇到了同样的问题.我确定我遗漏了一些简单但我在安装页面中找不到更多信息.

我有一个简单的问题.我已经在R中看到了t检验和相关性的这种行为.

我做了一个简单的配对t检验(在这种情况下,两个长度为100的向量).所以配对t检验的df应该是99.但是这不是t检验结果输出中出现的.

dataforTtest.x <- rnorm(100,3,1)
dataforTtest.y <- rnorm(100,1,1)
t.test(dataforTtest.x, dataforTtest.y,paired=TRUE)

这个输出是:

Paired t-test

data:  dataforTtest.x and dataforTtest.y
t = 10, df = 100, p-value <2e-16
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.6 2.1
sample estimates:
mean of the differences 
                1.8 

但是,如果我实际查看结果对象,则df是正确的.

> t.test(dataforTtest.x, dataforTtest.y,paired=TRUE)[["parameter"]]

df 
99 

我错过了一些非常愚蠢的东西吗？我正在运行R版本3.3.0(2016-05-03)

我正在格式化html单选按钮.我希望得到或多或少的东西(请忽略小字体和对齐)

我通过设置每个按钮的宽度和高度css属性来完成此操作.比如这里的例子:

#r_starkeAblehnung.css-checkbox, #r_starkeZustimmung.css-checkbox {
border: 0px;
height: 50px; 
width: 50px;
}

当我以75%的缩放率查看我的Chrome窗口时这是有效的 - 这是我对此页面的默认设置 - 但是当我看到100%缩放时,单选按钮会回到所有小而且大小相同的位置.他们也失去了很酷的阴影 - 我想这与较差的分辨率有关.单选按钮尺寸仍然存在:我的元素占用更多空间.但单选按钮不会相应缩放.我不知道发生了什么.

我尝试用em来定义单选按钮大小,但它没有帮助.

例如,将三种不同的大小定义为1em,1.5em和3em会导致:

编辑:jsfiddle,在更改浏览器缩放时具有相同的行为

我正在按照这个简短的教程将我的R脚本直接打印为HTML文档.它应该非常简单.通过对标题和其他正常R脚本的注释进行一些小的更改,在R脚本rmarkdown::render('/Users/you/Documents/yourscript.R')的末尾调用该命令 应该调用该knitr::spin函数从我的R脚本转到Rmd文件到最终的HTML或PDF.

我收到了错误: Error in sink(con, split = debug) : sink stack is full我不知道该怎么做.我在网上找到的所有解决方案都指出,打开它们之后需要关闭sink().但由于我并没有真正使用sink()自己,我不知道应该如何或在哪里关闭它们.

我正在使用R 3.3.0.

这个问题提出了同样的问题,但却被低估了,没有答案.

这是一个最小的可重现示例：

library(ggplot2)


mydata <- data.frame(condition = c(rep("One",40), rep("Two",40)),
                     participant = rep(1:40,2),
                     observation = c(rnorm(40,2,1), rnorm(40,0,1)))

#my.plot <- ggplot(mydata, aes(x=condition, y=observation, group=participant)) +
my.plot <- ggplot(mydata, aes(x=condition, y=observation)) +
  geom_point(size=3) +
  geom_line(size=1, alpha=0.5) +
  xlab('condition') +
  ylab('Observation') 

dataDensity <- mydata %>%
  group_by(condition) %>%
  do(data.frame(loc = density(.$observation)$x,
                dens = density(.$observation)$y,
                participant=1))

dataDensity$dens <- ifelse(dataDensity$condition == "One", .9+(dataDensity$dens * -1), 2.1+(dataDensity$dens))
my.plot + geom_polygon(data = dataDensity, aes(dens, loc, fill = condition))

这给了我以下情节：

这接近我想要的，但不完全。我实际上想将条件“一”和“二”之间的每个对应点对分组。因此，当我添加分组变量时（就像我在上面的代码片段中注释掉的行一样），我遇到了这个问题：

这很有趣，但不是我所追求的。

我必须添加 hack/workaroundparticipant=1以防止出现错误消息：

FUN(X[[i]], ...) 中的错误：找不到对象“参与者”

如何将分散的点与分组变量相结合，但保持分离的小提琴独立？

（注意：第一个图中的垂直线只是因为我有 …

我正在尝试运行一个相对简单的 glmer 模型，并收到警告说它是奇异的，但我不明白为什么。

在我的数据集中，40 名参与者进行了 108 次试验。他们回答了一个问题（回答被编码为正确/不正确 - 0/1），并以从 0 到 1 的连续等级对他们的回答的置信度进行评分。

library(lme4)
library(tidybayes)
library(tidyverse)

set.seed(5)
n_trials = 108
n_subjs = 40
data =
  tibble(
    subject = as.factor(rep(c(1:n_subjs), n_trials)),
    correct = sample(c(0,1), replace=TRUE, size=(n_trials*n_subjs)),
    confidence = runif(n_trials*n_subjs)
  )

我正在尝试运行混合效应逻辑回归，以估计每个参与者仅将高置信度与正确响应相关联的能力。这意味着，我有充分的理由在我的模型中添加随机置信斜率。

我感兴趣的最简单的模型给了我：

model = glmer(correct ~ confidence + (confidence|subject) , 
                   data = data,  
                   family = binomial)

边界（奇异）拟合：参见 ?isSingular，以及

> isSingular(model)
[1] TRUE

所以我简化了模型，超出了实用性，并遇到了同样的问题：

model = glmer(correct ~ confidence + (1|subject) , 
              data = data,  
              family = binomial)

我试图保持信心（我确信有更优雅的方法），以防有帮助，但没有：

#Initialize as vector …

我有一个数据框,包含我的数据x和三个不同的因素(主题,任务和正确的响应).

 subj <- rep(c(1,2,3), times=4)
 task <- c("A","A","A","A","A","A","B","B","B","B","B","B")
 correct <- c(1,1,1,0,0,0,1,1,1,0,0,0)
 x <- runif(12)
 df <- data.frame(subj, task, correct, x)

我想得到这三个因素的每种可能组合中的试验次数(3个子*2个任务*2个正确/不正确= 12个组合).当然这是一个不好的例子,因为我只对每个组合进行了一次试验,但是你得到了图片.所以我这样做:

 > aggregate(x~subj+task+correct, length, data=df)
    subj task correct x
 1     1    A       0 1
 2     2    A       0 1
 3     3    A       0 1
 4     1    B       0 1
 5     2    B       0 1
 6     3    B       0 1
 7     1    A       1 1
 8     2    A       1 1
 9     3    A       1 1
 10    1    B       1 1 …