原文

基于R語言的lmer混合線性回歸模型?tecdat.cn

混合模型適合需求嗎？

混合模型在很多方面與線性模型相似。它估計一個或多個解釋變量對響應變量的影響。混合模型的輸出將給出一個解釋值列表，其效應值的估計值和置信區間，每個效應的p值以及模型擬合程度的至少一個度量。如果您有一個變量將您的數據樣本描述為您可能收集的數據的子集，則應該使用混合模型而不是簡單的線性模型。

什么概率分布最適合數據？

假設你已經決定要運行混合模型。接下來你要做的是找到最適合你的數據的概率分布。

?

＃lnorm表示對數正態qqp （recog $ Aggression.t，“lnorm” ）
＃qqp要求估計負二項式，泊松＃和伽瑪分布的參數。 可以使用fitdistr ＃函數生成估計值。

?

?

查看我使用qqp生成的圖。y軸表示觀察值，x軸表示由分布模擬的分位數。紅色的實線表示完美的分布擬合，虛線的紅色線條表示完美的分布擬合的置信區間。

如何將混合模型擬合到數據

數據是正常分布的

如果你的數據是正態分布的， 你可以使用線性混合模型（LMM）。您將需要加載lme4軟件包并調用lmer函數。

如果你的數據不正常分布

用于估計模型中效應大小的REML和最大似然方法會對數據不適用正態性假設，因此您必須使用不同的方法進行參數估計。

結束 ：了解你的數據

在熟悉數據之前，您無法真正了解哪些分析適合您的數據，熟悉這些數據的最佳方法是繪制它們。通常我的第一步是做我感興趣的變量的密度圖，按照我最感興趣的解釋變量來分解。

?

繪圖對評估模型擬合也很重要。通過以各種方式繪制擬合值，您可以確定哪種模型適合描述數據

。

該圖所做的是創建一條代表零的水平虛線：與最佳擬合線平均偏離零。

?

結果正如我所希望的那樣：與最佳擬合線的偏差趨于零。如果這條實線沒有覆蓋虛線，那意味著最適合的線條不太適合。

MCMC模型圖形比較

?

這些隨機效果看起來非常尖銳，不像白色噪音。所以讓我們嘗試用更多的迭代來重新設計模型。這是計算量更大，但產生更準確的結果。

?

現在更接近線條周圍的白色噪音，這意味著更好的模型。

總結

以上是生活随笔為你收集整理的r语言 线性回归 相关系数_基于R语言的lmer混合线性回归模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。