关于 r:How to translate glmer() call to lme();并包括 list() 用于随机效果


How to translate glmer() call to lme(); and including list() for random effects

我之前使用 lme4 包中的 glmer() 运行了混合模型分析。我现在想使用 nlme 包中的 lme() 来运行相同的分析。这是因为随后使用的函数需要输出或调用 lme() 混合模型。

随后使用的函数尝试使用函数segmented.lme() 在数据中查找断点。这个函数的代码可以在这里找到：https://www.researchgate.net/publication/292986444_segmented_mixed_models_in_R_code_and_data

之前，我使用了函数：

1
global.model <- glmer(response ~ predictor1*predictor2*predictor3*predictor4 + covariate1 + covariate2 + covariate3 + (1|block/transect), data=dat, family="gaussian", na.action="na.fail")

有关可重现的示例，请参见下文。

请注意：随机效应是： (1|block/transect) ，即考虑块之间的交互效应和块内的样带。

现在，我不确定如何重写 lme() 的随机效果部分以完全匹配 glmer() 中使用的代码，特别是因为 segmented.lme() 似乎需要一个"列表"。我尝试了以下方法：

1
random = list(block = pdDiag(~ 1 + predictor1))

请注意：我只对 predictor1 数据中的潜在断点感兴趣。

需要的包：lme4, nlme

参考工作文件可在此处获得：https://www.researchgate.net/publication/292629179_Segmented_mixed_models_with_random_changepoints_in_R

这是数据的一个子集：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
structure(list(block = structure(c(1L, 1L, 1L, 1L, 1L, 1L), .Label = c("B1","B2","B3","B4","B5","B6","B7","B8"), class ="factor"), transect = structure(c(1L, 1L, 1L, 1L, 1L, 1L), .Label = c("B1L",
"B1M","B1S","B2L","B2M","B2S","B3L","B3M","B3S","B4L",
"B4M","B4S","B5L","B5M","B5S","B6L","B6M","B6S","B7L",
"B7M","B7S","B8L","B8M","B8S"), class ="factor"), predictor1 = c(28.63734661,
31.70995133, 27.40407982, 25.48842992, 21.81094637, 24.02032756
), predictor2 = c(5.002945364, 6.85567854, 0, 22.470422,
0, 0), predictor3 = c(3.72, 3.55, 3.66, 3.65, 3.53, 3.66),
predictor4 = c(504.8, 547.6, 499.7, 497.8, 473.8, 467.5),
covariate1 = c(391L, 394L, 351L, 336L, 304L, 335L), covariate2 = c(0.96671086,
2.81939707, 0.899512367, 1.024730094, 1.641161861, 1.419433714
), covariate3 = c(0.787505444, 0.641693911, 0.115804751,
-0.041146951, 1.983567486, -0.451039179), response = c(0.81257636,
0.622662116, 0.490330786, 0.709929461, -0.156398286, -1.185175095
)), .Names = c("block","transect","predictor1","predictor2","predictor3","predictor4","covariate1","covariate2","covariate3","response"), row.names = c(NA, 6L), class ="data.frame")

非常感谢您的任何建议。

我对 segmented.lme 不熟悉，但如果它的功能与 nlme 相同(您的问题的开头似乎暗示了这一点)，那么您可以按如下方式指定随机效果。

我以我自己的一些数据为例，因为您的数据集没有包含足够的信息来估计模型。您应该能够为您自己的数据集推断出所需的模型。

1
2
3
4
5
6
7
library(lme4)
    global.model <- lmer(Schaalscore ~ Leeftijd + (1|SCHOOL/LeerlingID),data = Data_RW5, na.action ="na.exclude")
    summary(global.model)

library(nlme)
global.model2 <- lme(Schaalscore ~ Leeftijd, random= list(SCHOOL = ~1, LeerlingID = ~ 1) ,data = Data_RW5, na.action ="na.exclude")
summary(global.model2)

您的模型指示了块和样带上的随机截距，其中样带嵌套在块内。我的数据具有相同的结构，但 LeerlingID 嵌套在 SCHOOL 中。我使用 lmer 而不是 glmer(因为警告消息会显示：calling glmer() with family=gaussian (identity link) as a shortcut to lmer() is deprecated; please call lmer() directly)。但是 lmer 和 glmer 的想法是一样的。输出如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
> summary(global.model)
Linear mixed model fit by REML ['lmerMod']
Formula: Schaalscore ~ Leeftijd + (1 | SCHOOL/LeerlingID)
   Data: Data_RW5

REML criterion at convergence: 58562.1

Scaled residuals:
    Min      1Q  Median      3Q     Max
-3.2088 -0.5855 -0.0420  0.5380  4.6893

Random effects:
 Groups            Name        Variance Std.Dev.
 LeerlingID:SCHOOL (Intercept) 213.46   14.610  
 SCHOOL            (Intercept)  28.39    5.328  
 Residual                       62.35    7.896  
Number of obs: 7798, groups:  LeerlingID:SCHOOL, 1384; SCHOOL, 59

Fixed effects:
            Estimate Std. Error t value
(Intercept) -89.0261     1.2116  -73.48
Leeftijd     18.3646     0.1081  169.86

Correlation of Fixed Effects:
         (Intr)
Leeftijd -0.725




> summary(global.model2)
Linear mixed-effects model fit by REML
 Data: Data_RW5
       AIC      BIC    logLik
  58572.08 58606.89 -29281.04

Random effects:
 Formula: ~1 | SCHOOL
        (Intercept)
StdDev:    5.327848

 Formula: ~1 | LeerlingID %in% SCHOOL
        (Intercept) Residual
StdDev:    14.61033  7.89634

Fixed effects: Schaalscore ~ Leeftijd
                Value Std.Error   DF   t-value p-value
(Intercept) -89.02613 1.2116148 6413 -73.47726       0
Leeftijd     18.36460 0.1081172 6413 169.85827       0
 Correlation:
         (Intr)
Leeftijd -0.725

Standardized Within-Group Residuals:
       Min         Q1        Med         Q3        Max
-3.2087839 -0.5855190 -0.0420062  0.5379625  4.6892515

Number of Observations: 7798
Number of Groups:
                SCHOOL LeerlingID %in% SCHOOL
                    59                   1384

您可以看到随机效应和固定效应估计值相同，并且"REML 收敛标准"等于 -2 * logLik。综上，可以指定随机结构为random= list(block= ~1, transect= ~ 1)，得到相同的模型。

edit：pdDiag 是标准 pdMat 类的一部分，用于指定随机效应的方差-协方差矩阵。您的原始模型仅在两个级别上指定随机截距，因此 pdDiag 不执行任何操作。如果您指定随机斜率和随机截距 pdDiag 将斜率-截距相关性设置为 0。请参阅 Bates

相关讨论