Wie passe ich ein Mehrebenenmodell für übermäßig verteilte Poisson-Ergebnisse an?

32

Ich möchte ein mehrstufiges GLMM mit einer Poisson-Verteilung (mit Überdispersion) unter Verwendung von R ausrüsten. Im Moment verwende ich lme4, aber mir ist aufgefallen, dass die quasipoissonFamilie kürzlich entfernt wurde.

Ich habe an anderer Stelle gesehen, dass Sie additive Überdispersion für Binomialverteilungen modellieren können, indem Sie einen zufälligen Achsenabschnitt mit einer Ebene pro Beobachtung hinzufügen. Gilt dies auch für die Poissonverteilung?

Gibt es einen besseren Weg, es zu tun? Gibt es andere Pakete, die Sie empfehlen würden?

— George Michaelides
quelle

22

Sie können Mehrebenen-GLMM mit einer Poisson-Verteilung (mit Überdispersion) unter Verwendung von R auf mehrere Arten anpassen. Nur wenige RPakete sind: lme4, MCMCglmm, armetc. Eine gute Referenz , um zu sehen ist Gelman und Hill (2007)

Ich werde ein Beispiel dafür mit rjagspackage in geben R. Es ist eine Schnittstelle zwischen Rund JAGS(wie OpenBUGSoder WinBUGS).

n_{i j} \sim P o i s s o n (θ_{i j})

$n_{ij} \sim \mathrm{Poisson}(\theta_{ij})$

\log θ_{i j} = β_{0} + β_{1} {T r e a t m e n t}_{i} + δ_{i j}

$\log \theta_{ij} = \beta_0 + \beta_1 \mbox{ } \mathtt{Treatment}_{i} + \delta_{ij}$

δ_{i j} \sim N (0, σ_{ϵ}^{2})

$\delta_{ij} \sim N(0, \sigma^2_{\epsilon})$

i = 1 \dots I, j = 1 \dots J

$i=1 \ldots I, \quad j = 1\ldots J$

{T r e a t m e n t}_{i} = 0 or 1, \dots, J - 1 if the i^{t h} observation belongs to treatment group 1, or, 2, \dots, J

$\mathtt{Treatment}_i = 0 \mbox{ or } 1, \ldots, J-1 \mbox{ if the } i^{th} \mbox{ observation belongs to treatment group } 1 \mbox{, or, } 2, \ldots, J$

$\delta_{ij}$ rate modelsJAGS

data{
        for (i in 1:I){         
            ncount[i,1] <- obsTrt1[i]
            ncount[i,2] <- obsTrt2[i]
                ## notice I have only 2 treatments and I individuals 
    }                               
}

model{
    for (i in 1:I){ 
        nCount[i, 1] ~ dpois( means[i, 1] )
        nCount[i, 2] ~ dpois( means[i, 2] )

        log( means[i, 1] ) <- mu + b * trt1[i] + disp[i, 1]
        log( means[i, 2] ) <- mu + b * trt2[i] + disp[i, 2]

        disp[i, 1] ~ dnorm( 0, tau)
        disp[i, 2] ~ dnorm( 0, tau)

    }

    mu  ~ dnorm( 0, 0.001)
    b   ~ dnorm(0, 0.001)
    tau ~ dgamma( 0.001, 0.001)
}

Hier ist der RCode zu implementieren Verwendung es (sagen , es heißt: overdisp.bug)

dataFixedEffect <- list("I"       = 10,
                        "obsTrt1" = obsTrt1 , #vector of n_i1
                        "obsTrt2" = obsTrt2,  #vector of n_i2
                        "trt1"    = trt1,     #vector of 0
                        "trt2"    = trt2,     #vector of 1
                       )

initFixedEffect <- list(mu = 0.0 , b = 0.0, tau = 0.01)

simFixedEffect <- jags.model(file     = "overdisp.bug",
                             data     = dataFixedEffect,
                             inits    = initFixedEffect,
                             n.chains = 4,
                             n.adapt  = 1000)

sampleFixedEffect <- coda.samples(model          = simFixedEffect,
                                  variable.names = c("mu", "b", "means"),
                                  n.iter         = 1000)

meansTrt1 <- as.matrix(sampleFixedEffect[ , 2:11])
meansTrt2 <- as.matrix(sampleFixedEffect[ , 12:21])

Sie können mit den Nachbauten Ihrer Parameter herumspielen und weitere Parameter einführen, um die Modellierung präziser zu gestalten ( wir denken gerne darüber nach ). Grundsätzlich kommt man auf die Idee.

Weitere Informationen zur Verwendung von rjagsund JAGSfinden Sie auf der Seite von John Myles White

— suncoolsu
quelle

Vielen Dank!! Ich habe erst kürzlich angefangen, mich mit der Bayes'schen Analyse zu beschäftigen und finde es immer noch etwas schwierig, sie zu verstehen. Ich denke, dies ist eine Gelegenheit, etwas mehr darüber zu lernen.

— George Michaelides

1

Warum nicht Gammadispersion?

— Patrick McCann

2

@Patrick das kannst du definitiv machen. Aber da ich den Mittelwert aufzeichne, bevorzuge ich den normalen Disp-Effekt. Eine logarithmische Normalverteilung ist eine weitere Möglichkeit zur Modellierung von Verteilungen, die der Gammaverteilung ähneln. HTH.

— Suncoolsu

20

Das lme4-Paket muss nicht verlassen werden, um eine Überdispersion zu berücksichtigen. Fügen Sie einfach einen zufälligen Effekt für die Beobachtungsnummer ein. Die genannten BUGS / JAGS-Lösungen sind wahrscheinlich zu viel für Sie, und wenn nicht, sollten Sie die leicht zu vergleichenden lme4-Ergebnisse haben.

data$obs_effect<-1:nrow(data)
overdisp.fit<-lmer(y~1+obs_effect+x+(1|obs_effect)+(1+x|subject_id),data=data,family=poisson)

Dies wird hier diskutiert: http://article.gmane.org/gmane.comp.lang.r.lme4.devel/4727 informell und akademisch von Elston et al. (2001) .

— Patrick McCann
quelle

Was ist, wenn ein Modell aus zwei nominalen Variablen besteht, einer kontinuierlichen Variablen (alle als feste Effekte) und einer Gruppierungsvariablen (zufälliger Effekt) mit Interaktionen 3. Ordnung, und außerdem die Anzahl der gemessenen Probanden der Anzahl der Beobachtungen oder Aufzeichnungen in der entspricht? Datensatz? Wie soll ich das im Modell abdecken?

— Ladislav Naďo

7

Ich denke, dass das glmmADMB-Paket genau das ist, was Sie suchen.

install.packages ("glmmADMB", repos = "http://r-forge.r-project.org")

Aber aus bayesianischer Sicht können Sie das MCMCglmm- Paket oder die BUGS / JAGS- Software verwenden, sie sind sehr flexibel und Sie können diese Art von Modell anpassen . (und die Syntax ist der von R sehr ähnlich)

EDIT dank @randel

Wenn Sie die Pakete glmmADMBund installieren möchten, R2admbist es besser, Folgendes zu tun:

install.packages("glmmADMB", repos="http://glmmadmb.r-forge.r-project.org/repos"‌)   
install.packages("R2admb")

— Dickoa
quelle

Ich glaube derzeit sollte das Paket über install.packages("glmmADMB",repos="http://glmmadmb.r-forge.r-project.org/repos")Plus installiert werden install.packages('R2admb').

— Randel

5

Bisher gute Vorschläge. Hier ist noch einer. Mit der rhierNegbinRwFunktion des bayesmPakets können Sie ein hierarchisches negatives binomiales Regressionsmodell anpassen.

— Ari B. Friedman
quelle