Als «lme4-nlme» getaggte Fragen

lme4 und nlme sind R-Pakete, die zum Anpassen linearer, verallgemeinerter linearer und nichtlinearer Modelle mit gemischten Effekten verwendet werden. Verwenden Sie für allgemeine Fragen zu gemischten Modellen das Tag [gemischtes Modell].

1
So stellen Sie benutzerdefinierte Kontraste mit lmer in R ein
Ich verwende lmer in R, um die Auswirkung von condition ( cond) auf ein Ergebnis zu überprüfen . Hier sind einige aus Daten, wobei s der Objektidentifizierer und a, bund csind Bedingungen. library("tidyr") library("dplyr") set.seed(123) temp <- data.frame(s = paste0("S", 1:30), a = rnorm(30, -2, 1), b = rnorm(30, -3, …
1
Wie interpretiere ich die Varianz des Zufallseffekts in einem verallgemeinerten linearen gemischten Modell?
In einem logistischen verallgemeinerten linearen gemischten Modell (Familie = Binomial) weiß ich nicht, wie die Varianz der zufälligen Effekte zu interpretieren ist: Random effects: Groups Name Variance Std.Dev. HOSPITAL (Intercept) 0.4295 0.6554 Number of obs: 2275, groups: HOSPITAL, 14 Wie interpretiere ich dieses numerische Ergebnis? Ich habe eine Stichprobe von …
9 r  lme4-nlme 
1
Anova Typ III Test für ein GLMM
Ich passe ein glmerModell in das lme4R-Paket. Ich suche nach einer Anova-Tabelle mit dem darin gezeigten p-Wert, kann aber kein passendes Paket finden. Ist es möglich, es in R zu tun? Das Modell, das ich anpasse, hat folgende Form: model1<-glmer(dmn~period*teethTreated+(1|fullName), family="poisson", data=subset(dataset, group=='Four times a year'), control=glmerControl(optimizer="bobyqa"))
1
Wie kann man beobachtete mit erwarteten Ereignissen vergleichen?
Angenommen, ich habe eine Stichprobe von Häufigkeiten von 4 möglichen Ereignissen: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 und ich habe die erwarteten Wahrscheinlichkeiten, dass meine Ereignisse eintreten: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Mit der Summe der beobachteten …
9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 
2
Spezifiziere ich mein früheres Modell richtig?
Ich habe Google und diese Website durchsucht und bin immer noch verwirrt über die lmer-Funktion in der lme4-Bibliothek. Ich habe einige Daten von verschiedenen psychiatrischen Stationen gesammelt, die eine mehrstufige Struktur haben. Zur Vereinfachung werde ich zwei Variablen der Ebene 2 und zwei Variablen der Ebene 1 auswählen, obwohl ich …
2
Berechnen Sie die ROC-Kurve für Daten
Ich habe also 16 Studien, in denen ich versuche, eine Person anhand eines biometrischen Merkmals mithilfe von Hamming Distance zu authentifizieren. Mein Schwellenwert ist auf 3,5 eingestellt. Meine Daten sind unten und nur Versuch 1 ist ein wahres Positiv: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 …
9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 
1
Schätzungen zufälliger Effekte im Binomialmodell (lme4)
Ich simuliere Bernoulli-Versuche mit einem zufälligen zwischen Gruppen und passe dann das entsprechende Modell mit an das Paket:logitθ ∼ N.( logitθ0, 12)logitθ∼N(logitθ0,12)\text{logit}\, \theta \sim {\cal N}(\text{logit}\, \theta_0, 1^2)lme4 library(lme4) library(data.table) I <- 30 # number of groups J <- 10 # number of Bernoulli trials within each group logit <- …
1
Äquivalenz zwischen einem Anova-Modell mit wiederholten Messungen und einem gemischten Modell: lmer vs lme und zusammengesetzte Symmetrie
Ich habe einige Probleme, gleichwertige Ergebnisse zwischen einem aovModell zwischen wiederholten Messungen und einem lmergemischten Modell zu erhalten. Meine Daten und mein Skript sehen wie folgt aus data=read.csv("https://www.dropbox.com/s/zgle45tpyv5t781/fitness.csv?dl=1") data$id=factor(data$id) data id FITNESS TEST PULSE 1 1 pilates CYCLING 91 2 2 pilates CYCLING 82 3 3 pilates CYCLING 65 4 …
1
Welche Interpretation haben die Parameter eines verallgemeinerten linearen Modells mit Effektcodierung?
library(lme4) out <- glmer(cbind(incidence, size - incidence) ~ period + (1 | herd), data = cbpp, family = binomial, contrasts = list(period = "contr.sum")) summary(out) Fixed effects: Estimate Std. Error z value Pr(>|z|) (Intercept) -2.32337 0.22129 -10.499 < 2e-16 *** period1 0.92498 0.18330 5.046 4.51e-07 *** period2 -0.06698 0.22845 -0.293 …
1
Was ist mit der Heterogenität der Varianz zu tun, wenn die Streuung mit größeren angepassten Werten abnimmt?
Ich versuche ein lineares gemischtes Modell zu erzeugen. Der R-Code lautet wie folgt. lme (Average.payoff ~ Spiel + Typ + Andere.Typ + Spiel: Typ + Spiel: Andere.Typ + Typ: Andere.Typ, zufällig = ~ 1 | Subjekte, Methode = "REML", Daten = Subjektsm1) -> lme1 Der Antwortterm Average.payoff ist stetig, während …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.