Als «mixed-model» getaggte Fragen

Gemischte (auch als mehrstufige oder hierarchische) Modelle sind lineare Modelle, die sowohl feste als auch zufällige Effekte enthalten. Sie werden verwendet, um longitudinale oder verschachtelte Daten zu modellieren.

2
Freiheitsgrade von lmer bekommen
Ich habe ein lmer-Modell mit folgendem (wenn auch erfundener Output) ausgestattet: Random effects: Groups Name Std.Dev. day:sample (Intercept) 0.09 sample (Intercept) 0.42 Residual 0.023 Ich möchte wirklich ein Konfidenzintervall für jeden Effekt mit der folgenden Formel erstellen: ( n - 1 ) s2χ2α / 2 , n - 1, ( …
1
Modelldesign mit gemischten Effekten und Stichprobenvariable
Ich versuche, eine Formel für ein lineares Mischeffektmodell (mit lme4) für mein experimentelles Design anzugeben , bin mir aber nicht sicher, ob ich es richtig mache. Das Design: Im Grunde messe ich einen Antwortparameter an Pflanzen. Ich habe 4 Behandlungsstufen und 2 Bewässerungsstufen. Die Pflanzen sind in 16 Parzellen gruppiert, …
2
Was ist das lme4 :: lmer-Äquivalent einer Drei-Wege-ANOVA mit wiederholten Messungen?
Meine Frage basiert auf dieser Antwort, die zeigte, welches lme4::lmerModell einer Zwei-Wege-ANOVA mit wiederholten Messungen entspricht: require(lme4) set.seed(1234) d <- data.frame( y = rnorm(96), subject = factor(rep(1:12, 4)), a = factor(rep(1:2, each=24)), b = factor(rep(rep(1:2, each=12))), c = factor(rep(rep(1:2, each=48)))) # standard two-way repeated measures ANOVA: summary(aov(y~a*b+Error(subject/(a*b)), d[d$c == "1",])) …
2
Random Intercept-Modell vs. GEE
Betrachten Sie ein lineares Modell mit zufälligen Abschnitten. Dies entspricht einer linearen GEE-Regression mit einer austauschbaren Arbeitskorrelationsmatrix. Angenommen , die Prädiktoren sind und x 3 und die Koeffizienten für diese Prädiktoren sind β 1 , β 2 und β 3 . Was ist die Interpretation für die Koeffizienten im Zufallsschnittmodell? …
2
Anpassen von Mehrebenenmodellen an komplexe Vermessungsdaten in R.
Ich suche nach Ratschlägen zur Analyse komplexer Umfragedaten mit Mehrebenenmodellen in R. Ich habe das surveyPaket verwendet, um ungleiche Auswahlwahrscheinlichkeiten in Einstufenmodellen zu gewichten, aber dieses Paket verfügt nicht über Funktionen für die Mehrebenenmodellierung. Das lme4Paket eignet sich hervorragend für die Mehrebenenmodellierung, aber ich kenne keine Möglichkeit, Gewichte auf verschiedenen …
1
Randmodell versus Zufallseffektmodell - wie kann man zwischen ihnen wählen? Ein Rat für einen Laien
Bei der Suche nach Informationen über das Randmodell und das Zufallseffektmodell und wie man zwischen ihnen wählt, habe ich einige Informationen gefunden, aber es war mehr oder weniger eine mathematisch abstrakte Erklärung (wie zum Beispiel hier: https: //stats.stackexchange .com / a / 68753/38080 ). Irgendwo habe ich festgestellt, dass zwischen …
2
Verallgemeinerte lineare gemischte Modelle: Diagnose
Ich habe eine zufällige logistische Intercept-Regression (aufgrund wiederholter Messungen) und möchte einige Diagnosen durchführen, insbesondere in Bezug auf Ausreißer und einflussreiche Beobachtungen. Ich habe mir die Residuen angesehen, um festzustellen, ob es Beobachtungen gibt, die auffallen. Ich würde mir aber auch gerne etwas wie Cooks Distanz oder DFFITS ansehen. Hosmer …
1
Gemischte Modell-Mehrfachvergleiche für die Interaktion zwischen kontinuierlichem und kategorialem Prädiktor
Ich möchte verwenden lme4, um eine Regression mit gemischten Effekten anzupassen und multcompdie paarweisen Vergleiche zu berechnen. Ich habe einen komplexen Datensatz mit mehreren kontinuierlichen und kategorialen Prädiktoren, aber meine Frage kann am Beispiel des integrierten ChickWeightDatensatzes demonstriert werden : m <- lmer(weight ~ Time * Diet + (1 | …
1
Warum führt das Bootstrapping der Residuen aus einem Modell mit gemischten Effekten zu antikonservativen Konfidenzintervallen?
Ich beschäftige mich normalerweise mit Daten, bei denen mehrere Personen unter zwei oder mehr Bedingungen jeweils mehrmals gemessen werden. Ich habe kürzlich mit der Modellierung gemischter Effekte gespielt, um Beweise für Unterschiede zwischen Bedingungen zu bewerten, wobei die Modellierung individualals zufälliger Effekt erfolgt. Um die Unsicherheit bezüglich der Vorhersagen aus …
3
Effektgröße für den Interaktionseffekt im Kontrolldesign vor und nach der Behandlung
Wenn Sie ein Kontrolldesign vor und nach der Behandlung mit einer kontinuierlichen abhängigen Variablen unter Verwendung einer gemischten ANOVA analysieren, gibt es verschiedene Möglichkeiten, den Effekt der Zugehörigkeit zur Behandlungsgruppe zu quantifizieren. Der Interaktionseffekt ist eine Hauptoption. Im Allgemeinen mag ich besonders Cohens d-Typ-Maße (dh ). Ich mag keine Varianz …
5
Wann wird ein Mischeffektmodell verwendet?
Modelle mit linearen gemischten Effekten sind Erweiterungen von linearen Regressionsmodellen für Daten, die in Gruppen gesammelt und zusammengefasst werden. Der Hauptvorteil ist, dass die Koeffizienten in Bezug auf eine oder mehrere Gruppenvariablen variieren können. Ich habe jedoch Probleme damit, wann ich ein Mischeffektmodell verwenden soll. Ich werde meine Fragen anhand …
1
R / mgcv: Warum produzieren te () und ti () Tensorprodukte unterschiedliche Oberflächen?
Das mgcvPaket für Rhat zwei Funktionen zum Anpassen von Tensorproduktwechselwirkungen: te()und ti(). Ich verstehe die grundlegende Arbeitsteilung zwischen den beiden (Anpassen einer nichtlinearen Wechselwirkung vs. Zerlegen dieser Wechselwirkung in Haupteffekte und eine Wechselwirkung). Was ich nicht verstehe, ist warum te(x1, x2)und ti(x1) + ti(x2) + ti(x1, x2)kann (leicht) unterschiedliche Ergebnisse …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
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.