小编use*_*411的帖子

在这篇文章和这个链接之后,我尝试更新我的R版本.

 sessionInfo()
 R version 2.14.0 (2011-10-31)
 Platform: i386-pc-mingw32/i386 (32-bit)

 locale:
 [1] LC_COLLATE=English_United States.1252 
 [2] LC_CTYPE=English_United States.1252   
 [3] LC_MONETARY=English_United States.1252
 [4] LC_NUMERIC=C                          
 [5] LC_TIME=English_United States.1252    

 attached base packages:
 [1] stats     graphics  grDevices utils     datasets  methods   base     

 other attached packages:
 [1] installr_0.9

 loaded via a namespace (and not attached):
 [1] tools_2.14.0

但是当我运行代码时

  updateR()
  Error in file(con, "r") : cannot open the connection

它在运行以下命令时显示完全相同的错误:

 check.for.updates.R() # tells you if there is a new version of R or not.
 Error …

考虑以下代码：

rbinom(17, 1, .5)

此代码表示每个观察的成功概率等于 0.5。

在 中rbinom(3, 1, c(.5,.3,.7))，第一个观察的成功概率为 0.5，第二个观察的成功概率等于 0.3，最后一个观察的成功概率等于 0.7。

但在

rbinom(17, 1, c(.5,.3,.7))

，成功的概率在 17 个观察中如何分布？

我需要standard error从输出中提取方差分量lmer.

library(lme4)
model <- lmer(Reaction ~ Days + (1|Subject), sleepstudy)

以下产生方差分量的估计:

s2 <- VarCorr(model)$Subject[1]

它不是方差的标准误差.我想要标准错误.我怎么能拥有它？

编辑:

也许我无法通过"方差分量的标准误差"让你理解我的意思.所以我正在编辑我的帖子.

在本章末尾的Douglas C.Montgomery的第12章"随机因素的实验"一书中,设计和分析实验,实例12-2由SAS完成.在例12-2中,该模型是一个双因子因子随机效应模型.输出如表12-17所示

我试图在R by中拟合模型lmer.

library(lme4)
fit <- lmer(y~(1|operator)+(1|part),data=dat)

用于提取的R代码,Estimate在表12-17中用4注释:

est_ope=VarCorr(fit)$operator[1]
est_part = VarCorr(fit)$part[1]
sig = summary(fit)$sigma
est_res = sig^2

现在我想Std Errors从lmer输出中提取表12-17中的5注释结果.

非常感谢 !

我想模拟来自多级逻辑分布 1000 次和每次估计参数的数据并计算估计值的平均值。但看起来，在glmer()函数结果中不能像lm()函数那样被提取出来，比如说，lm(y~x)$coef。如何从glmer()函数中提取结果？

这是R代码：

#Simulating data from multilevel logistic distribution 

library(mvtnorm)
library(lme4)

set.seed(1234)

## J               = number of groups
## n               = group size
## g00,g10,g01,g11 = fixed effect parameters .
## s2_0,s2_1,s01   = variance values for the group level random effect .

simu <- function(J,n,g00,g10,g01,g11,s2_0,s2_1,s01){

  n_j <- rep(n,J)     ## number of individuals in jth group
  N <- sum(n_j)       ## sample size

  #Simulate the covariate value for this sample size .
  z …