ආර් ගේ ලාමර් වංචා පත්‍රය

168

භාවිතා කරමින් විවිධ ධූරාවලි ආකෘති නියම කිරීම සඳහා නිසි ආකාරය පිළිබඳව මෙම සංසදයේ විශාල සංවාදයක් පවතී lmer.

සියලු තොරතුරු එකම තැනක තබා ගැනීම හොඳ යැයි මම සිතුවෙමි. ආරම්භ කිරීමට ප්‍රශ්න කිහිපයක්:

එක් කණ්ඩායමක් අනෙකා තුළ කූඩු කර ඇති බහු මට්ටම් නියම කරන්නේ කෙසේද: එය (1|group1:group2)එසේ ද (1+group1|group2)?
අතර වෙනස කුමක් ද (~1 + ....)හා (1 | ...)හා (0 | ...)ආදිය?
කණ්ඩායම් මට්ටමේ අන්තර්ක්‍රියා නියම කරන්නේ කෙසේද?

— ඇමීබා
source

මෙම අත්පොත සඳහා තුනක් vignettes lme4පැකේජය කළ හැකි CRAN සොයා

— හෙන්රි

CRAN ද්‍රව්‍ය වලට අමතරව, දේශන විනිවිදක සහ ග්‍රන්ථ පරිච්ඡේදයන් ඩග් විසින් ලියන ලද (G) LMMs සහ R මත lme4 සමඟ r-

— Gavin Simpson

බේට්ස් සහ වෙනත් අය විසින් ජේඑස්එස් පත්‍රයේ arXiv අනුවාදයට link ජු සබැඳිය .: Lme4 භාවිතා කරන රේඛීය මිශ්‍ර-ප්‍රයෝග ආකෘති සවිකිරීම (විශේෂයෙන් 2.2 කොටස “මිශ්‍ර-ආකෘති සූත්‍ර අවබෝධ කර ගැනීම”). බෙන් බොල්කර්ගේ නිති අසන ප්‍රශ්නවල අදාළ කොටසද බලන්න .

— amoeba

තර්කානුකූලව, භාවිතා කරන භාෂාව lmerසාමාන්‍ය සංඛ්‍යානමය උනන්දුවක් දක්වන අතර එය තනිකරම ක්‍රමලේඛනය පිළිබඳ කාරණයක් නොවේ. එබැවින් මෙම ත්‍රෙඩ් එක විවෘතව තබා ගැනීමට මම ඡන්දය දෙමි.

— whuber

@whuber +1 සම්පූර්ණයෙන්ම එකඟයි.

— amoeba

Answers:

190

(~ 1 + ....) සහ (1 | ...) සහ (0 | ...) ආදිය අතර වෙනස කුමක්ද?

අහඹු බලපෑමක් ලෙස සලකනු ලබන වර්ගීකරණ විචල්ය V2 මගින් පුරෝකථනය කරන ලද විචල්ය V1 සහ රේඛීය ස්ථාවර ආචරණයක් ලෙස සලකනු ලබන අඛණ්ඩ විචල්ය V3 ඇති බව පවසන්න. Lmer syntax භාවිතා කිරීම, සරලම ආකෘතිය (M1):

V1 ~ (1|V2) + V3

මෙම ආකෘතිය ඇස්තමේන්තු කරනු ඇත:

P1: ගෝලීය අන්තර්ග්‍රහණය

P2: V2 සඳහා අහඹු බලපෑම් අන්තර්ක්‍රියා (එනම් V2 හි එක් එක් මට්ටම් සඳහා, එම මට්ටමේ අන්තර් නිරෝධනය ගෝලීය අන්තර්ග්‍රහණයෙන් බැහැරවීම)

P3: V3 හි බලපෑම (බෑවුම) සඳහා තනි ගෝලීය ඇස්තමේන්තුවක්

ඊළඟ වඩාත් සංකීර්ණ ආකෘතිය (M2):

V1 ~ (1|V2) + V3 + (0+V3|V2)

මෙම ආකෘතිය M1 වෙතින් සියලු පරාමිතීන් තක්සේරු කරයි, නමුත් ඊට අමතරව ඇස්තමේන්තු කරනු ඇත:

P4: V2 හි එක් එක් මට්ටම් තුළ V3 හි බලපෑම (වඩාත් නිශ්චිතවම, දී ඇති මට්ටමක් තුළ V3 ආචරණය V3 හි ගෝලීය බලපෑමෙන් වෙනස් වේ), අතරම අන්තර්වාර අපගමනය සහ V3 බලපෑම් අපගමනය අතර ශුන්‍ය සහසම්බන්ධයක් බලාත්මක කරයි. V2 හි .

අවසාන වඩාත් සංකීර්ණ ආකෘතියකින් (M3) මෙම සීමාව ලිහිල් කරනු ලැබේ:

V1 ~ (1+V3|V2) + V3

එම් 2 හි ඇති සියළුම පරාමිතීන් ඇස්තමේන්තු කර ඇති අතර V2 මට්ටම් තුළ අන්තර්වාර අපගමනය සහ V3 බලපෑම් අපගමනය අතර සහසම්බන්ධතාවයට ඉඩ ලබා දේ. මේ අනුව, M3 හි අතිරේක පරාමිතියක් ඇස්තමේන්තු කර ඇත:

P5: V2 මට්ටම් හරහා අන්තර්වාර අපගමනය සහ V3 අපගමනය අතර සහසම්බන්ධය

සාමාන්‍යයෙන් M2 සහ M3 වැනි ආකෘති යුගල ගණනය කරනු ලබන්නේ ස්ථාවර බලපෑම් (ගෝලීය අන්තර්ග්‍රහණය ඇතුළුව) අතර සහසම්බන්ධතා සඳහා වන සාක්ෂි තක්සේරු කිරීමට ය.

දැන් තවත් ස්ථාවර ප්‍රක්ශේපණයක් වන V4 එකතු කිරීම ගැන සලකා බලන්න. මෙම ආකෘතිය:

V1 ~ (1+V3*V4|V2) + V3*V4

ඇස්තමේන්තු කරනු ඇත:

P1: ගෝලීය අන්තර්ග්‍රහණය

P2: V3 හි බලපෑම සඳහා තනි ගෝලීය ඇස්තමේන්තුවක්

P3: V4 හි බලපෑම සඳහා තනි ගෝලීය ඇස්තමේන්තුවක්

P4: V3 සහ V4 අතර අන්තර්ක්‍රියා සඳහා තනි ගෝලීය ඇස්තමේන්තුවක්

P5: V2 හි එක් එක් මට්ටමේ P1 සිට අන්තර්ග්‍රහණයේ අපගමනය

P6: V2 හි එක් එක් මට්ටමේ P2 සිට V3 ආචරණයෙහි අපගමනය

P7: V2 හි එක් එක් මට්ටම්වල P3 සිට V4 ආචරණයෙහි අපගමනය

P8: V2 හි එක් එක් මට්ටමේ P4 සිට V3-by-V4 අන්තර්ක්‍රියාකාරිත්වයේ අපගමනය

P9 V2 මට්ටම් හරහා P5 සහ P6 අතර සහසම්බන්ධය

P10 V2 මට්ටම් හරහා P5 සහ P7 අතර සහසම්බන්ධය

P11 V2 මට්ටම් හරහා P5 සහ P8 අතර සහසම්බන්ධය

P12 V2 මට්ටම් හරහා P6 සහ P7 අතර සහසම්බන්ධය

P13 V2 මට්ටම් හරහා P6 සහ P8 අතර සහසම්බන්ධය

P14 V2 මට්ටම් හරහා P7 සහ P8 අතර සහසම්බන්ධය

පියු , එය පරාමිතීන් ගොඩක්! ආකෘතියෙන් ඇස්තමේන්තු කර ඇති විචල්‍යතා පරාමිතීන් ලැයිස්තුගත කිරීමට මම කරදර වූයේ නැත. එපමණක්ද නොව, ඔබට ස්ථාවර බලපෑමක් ලෙස ආකෘති කිරීමට අවශ්‍ය මට්ටම් 2 ට වඩා වර්ගීකරණ විචල්‍යයක් තිබේ නම්, එම විචල්‍යය සඳහා තනි බලපෑමක් වෙනුවට ඔබ සැමවිටම k-1 බලපෑම් තක්සේරු කරනු ඇත (මෙහි k යනු මට්ටම් ගණන) , එමඟින් ආකෘතිය විසින් තක්සේරු කළ යුතු පරාමිති ගණන තව දුරටත් පුපුරා යයි.

— මයික් ලෝරන්ස්
source

Ike මයික් ලෝරන්ස් පිළිතුරට ස්තූතියි! 3 මට්ටමේ ආකෘතියක් තක්සේරු කරන්නේ කෙසේද? එක් කණ්ඩායම් සාධකයක් තවත් තැනක කූඩු කර ඇති තැන?

ඩීබීආර්, මම හිතන්නේ නැහැ ඔබ දන්නවා මට්ටම් මොනවාද කියලා. ඔයා මේ ගැන සදහටම අහනවා. ඔබේ අත්හදා බැලීමේ සැලසුම සැබවින්ම විස්තර කරන සහ “මට්ටම” පිළිබඳ ඔබේ අර්ථ නිරූපණය නිරූපණය කරන ප්‍රශ්නයක් සකසන්න.

— ජෝන්

මම හිතන්නේ ඩීබීආර් ධූරාවලියෙහි මට්ටම් ගැන සඳහන් කරයි. මා විස්තර කර ඇත්තේ 2 මට්ටමේ ධූරාවලි ආකෘතියක් වන අතර, විෂයයන් තුළ නිරීක්ෂණ ඇතුළත් කර ඇති අතර, ඩීබීආර් 3 මට්ටමේ ධූරාවලියක් ගැන විමසයි, උදාහරණයක් ලෙස ඔබට සිසුන් සහ පාසල් අහඹු ලෙස ආදර්ශනය කිරීමට අවශ්‍ය පාසල් තුළ සිසුන් තුළ ඇති පරීක්ෂණ අයිතම විය හැකිය. බලපෑම්, පාසල් තුළ සිසුන් කැදැල්ල සමඟ. එවැනි අවස්ථාවන්හිදී මම සිතන්නේ පාසල් මට්ටමේ අපගමනය පළමුව ගණනය කරනු ලබන්නේ පසුව ශිෂ්‍යයාගේ සිට පාසැල් අපගමනයන් ය.

— මයික් ලෝරන්ස්

මාදිලි සැකසුම ලබා ගැනීම සඳහා මා දුටු හොඳම පිළිතුර. මම R හි කරන්නේ කුමක්ද යන්න තේරුම් ගැනීමට මගේ ලොක්කාට පහසු රාමුවක් සැපයීමට මට උදව් විය.

— bfoste01

මට තනි මට්ටමින් එක් ස්වාධීන විචල්‍යයක් (X) සහ කණ්ඩායම් මට්ටමින් එක් ස්වාධීන විචල්‍යයක් (Z) ඇති බව පවසන්න. දෙකම අඛණ්ඩ විචල්ය වේ. ආකෘතිය යටකුරක් කොහේද, දැක්වෙනුයේ බහුකොටස් වන පුද්ගලයා සහ සතුටයි වන පිරිසක්. සින්ටෙක්ස් භාවිතා කිරීමෙන් ආකෘතිය වනු ඇත , පුද්ගලයා කුමන කාණ්ඩයට අයත් දැයි දැක්වීමට දත්ත රාමුවේ තවත් විචල්‍යයක් කොහිද ?

Y_{i j} = γ_{00} + γ_{10} X_{i j} + γ_{01} Z_{j} + γ_{11} X_{i j} Z_{j} + u_{1 j} X_{i j} + u_{0 j} + e_{i j}

$Y_{ij}=\gamma_{00}+\gamma_{10}X_{ij}+\gamma_{01}Z_{j}+\gamma_{11}X_{ij}Z_{j}+u_{1j}X_{ij}+u_{0j}+e_{ij}$

i

$i$

i

$i$

j

$j$

j

$j$ lmerY~X+Z+(1|group)+(0+X|Z)group

— ABC

සාමාන්‍ය උපක්‍රමය නම්, වෙනත් පිළිතුරක සඳහන් වන පරිදි, සූත්‍රය පෝරමය අනුගමනය කිරීමයි dependent ~ independent | grouping. මෙම groupingසාමාන්යයෙන් අහඹු සාධකය වන අතර, ඔබ යම් තැනැත්තෙක් තොරව ස්ථාවර සාධක ඇතුළත් කළ හැකි අතර ඔබ යම් ස්ථාවර සාධකය (ක හොරෙන් පමණක් ආකෘතිය) තොරව අතිරේක අහඹු සාධක විය හැකිය. ඒ +සාධක අතර කිසිදු අන්තර් පෙන්නුම් වූ *අන්තර් බවයි.

අහඹු සාධක සඳහා, ඔබට මූලික ප්‍රභේද තුනක් ඇත:

බාධා කිරීම් අහඹු සාධකය මගින් පමණි: (1 | random.factor)
බෑවුම් අහඹු සාධකය අනුව පමණි: (0 + fixed.factor | random.factor)
අහඹු සාධකය අනුව අන්තර්ග්‍රහණයන් සහ බෑවුම්: (1 + fixed.factor | random.factor)

ප්‍රභේද 3 හි බෑවුම සහ අන්තර්ග්‍රහණය එකම කාණ්ඩයකින් ගණනය කර ඇති බව සලකන්න, එනම් එකවර. අපට බෑවුම සහ අන්තර්ග්‍රහණය ස්වාධීනව ගණනය කිරීමට අවශ්‍ය නම්, එනම් මේ දෙක අතර කිසිදු සහසම්බන්ධයක් නොමැතිව, අපට සිව්වන ප්‍රභේදයක් අවශ්‍ය වේ:

අහඹු සාධකය අනුව අන්තර්ග්‍රහණය සහ බෑවුම වෙන වෙනම : (1 | random.factor) + (0 + fixed.factor | random.factor). මෙය ලිවීමට විකල්ප ක්‍රමයක් වන්නේ ද්විත්ව තීරු අංකනය භාවිතා fixed.factor + (fixed.factor || random.factor)කිරීමයි.

එය ද තිබෙන ලස්සන සාරාංශයක් ඔබ දෙස බලන්න යුතු බව මෙම ප්රශ්නය තවත් ප්රතිචාර.

ඔබ ගණිතය ටිකක් හාරා බැලීමට සූදානම් නම්, බාර් සහ වෙනත් අය. (2013) lmerවගු රහිත සලකුණු බිඳවැටීමේ අවහිරතා සපුරාලීම සඳහා මෙහි අනුවර්තනය කරන ලද වාක්‍ය ඛණ්ඩය ඔවුන්ගේ වගු අංක 1 හි සාරාංශගත කරන්න. එම පත්‍රය මනෝවිද්‍යාත්මක දත්ත සමඟ කටයුතු කළ අතර අහඹු බලපෑම් දෙක Subjectසහ Item.

ආකෘති සහ සමාන lme4සූත්‍ර සින්ටැක්ස්:

- $Y_{si} = β_0 + β_{1}X_{i} + e_{si}$
- N / A (මිශ්‍ර-බලපෑම් ආකෘතියක් නොවේ)
- $Y_{si} = β_0 + S_{0s} + β_{1}X_{i} + e_{si}$
- Y ∼ X+(1∣Subject)
- $Y_{si} = β_0 + S_{0s} + (β_{1} + S_{1s})X_i + e_{si}$
- Y ∼ X+(1 + X∣Subject)
- $Y_{si} = β_0 + S_{0s} + I_{0i} + (β_{1} + S_{1s})X_i + e_{si}$
- Y ∼ X+(1 + X∣Subject)+(1∣Item)
- $Y_{si} = β_0 + S_{0s} + I_{0i} + β_{1}X_{i} + e_{si}$
- Y ∼ X+(1∣Subject)+(1∣Item)
- (4) ලෙස, නමුත් , ස්වාධීන වේ $S_{0s}$ $S_{1s}$
- Y ∼ X+(1∣Subject)+(0 + X∣ Subject)+(1∣Item)
- $Y_{si} = β_0 + I_{0i} + (β_{1} + S_{1s})X_i + e_{si}$
- Y ∼ X+(0 + X∣Subject)+(1∣Item)

යොමුව:

බාර්, ඩේල් ජේ, ආර්. ලෙවී, සී. ෂීපර්ස් සහ එච්. ජේ. ටිලි (2013). සනාථ කරන උපකල්පිත පරීක්ෂණ සඳහා අහඹු බලපෑම් ව්‍යුහය: එය උපරිම ලෙස තබා ගන්න . මතක හා භාෂා ජර්නලය, 68: 255– 278.

— ලිවියස්
source

හොඳයි. එය කූඩු කළ '/' සාධක සහ ද්විත්ව තීරු අංකනය පිළිබඳ තොරතුරු සමඟ වඩා හොඳ විය හැකිය. || '

— ස්කෑන්

සංකේතය ගැන කුමක් කිව හැකිද?

— ඊස්ට්ෆ්‍රි

asteastafri එයින් අදහස් කරන්නේ එය R (සූත්‍ර) හි සෑම තැනකම කරන එකම දෙයයි - විචල්‍යයන් දෙකක් අතර අන්තර්ක්‍රියාකාරිත්වයයි.

— ලිවියස්

(6) හි, මගේ අවබෝධය නම් සහ between අතර කිසිදු සහසම්බන්ධයක් නොමැති බවයි. වෙනත් වචන වලින් කිවහොත්, අහඹු විචල්‍යයන් ලෙස, ඒවායේ සහසංයුජතාව වේ. සහ independent ස්වාධීන යැයි කීම වඩා ප්‍රබල ප්‍රකාශයක් වන අතර එබැවින් අනිවාර්යයෙන්ම සත්‍ය නොවේ. මට වැරදුනද?

S_{0 s}

$S_{0s}$

S_{1 s}

$S_{1s}$

0

$0$

S_{0 s}

$S_{0s}$

S_{1 s}

$S_{1s}$

— මුනෝ

මෙම |සංකේතය මිශ්ර ක්රම තුළ ජිනිවා හි සාධකයක් බවයි.

පින්හීරෝ සහ බේට්ස් අනුව:

... සූත්‍රය මඟින් ප්‍රතිචාරයක් ද, ලබා ගත හැකි විට ප්‍රාථමික කෝවරියට් ද නියම කරයි . එය ලබා දී ඇත
response ~ primary | grouping
එහිදී responseප්රතිචාරය මේ සඳහා ප්රකාශනයක්, ඇත primaryප්රාථමික covariate සඳහා ප්රකාශනයක් වන අතර, groupingඑම ජිනිවා හි සාධකයක් සඳහා ප්රකාශනයකි.

මිශ්‍ර ක්‍රම විශ්ලේෂණය සිදු කිරීම සඳහා ඔබ භාවිතා කරන ක්‍රමය මත පදනම්ව R, විශ්ලේෂණයේ දී groupedDataකණ්ඩායම්කරණය භාවිතා කිරීමට ඔබට වස්තුවක් නිර්මාණය කිරීමට අවශ්‍ය විය හැකිය (විස්තර සඳහා nlmeපැකේජය බලන්න, මෙය lme4අවශ්‍ය නොවන බව පෙනේ). lmerඔබගේ දත්ත මා නොදන්නා නිසා ඔබ ඔබේ ආදර්ශ ප්‍රකාශන නියම කර ඇති ආකාරයට මට කතා කළ නොහැක . කෙසේ වෙතත්, (1|foo)ආදර්ශ රේඛාවේ බහුවිධයක් තිබීම මා දුටු දෙයට වඩා අසාමාන්‍යය. ඔබ නිරූපණය කිරීමට උත්සාහ කරන්නේ කුමක්ද?

— මිෂෙල්
source