基於R語言的lmer混合線性迴歸模型

原文 http://tecdat.cn/?p=2596

混合模型適合需求嗎？

混合模型在不少方面與線性模型類似。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，每一個效應的p值以及模型擬合程度的至少一個度量。若是您有一個變量將您的數據樣本描述爲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。

什麼機率分佈最適合數據？

假設你已經決定要運行混合模型。接下來你要作的是找到最適合你的數據的機率分佈。

​

＃lnorm表示對數正態qqp （recog $ Aggression.t，「lnorm」 ）

＃qqp要求估計負二項式，泊松＃和伽瑪分佈的參數。 可使用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軸表示由分佈模擬的分位數。紅色的實線表示完美的分佈擬合，虛線的紅色線條表示完美的分佈擬合的置信區間。

如何將混合模型擬合到數據

數據是正常分佈的

若是你的數據是正態分佈的， 你可使用線性混合模型（LMM）。您將須要加載lme4軟件包並調用lmer函數。

若是你的數據不正常分佈

用於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，所以您必須使用不一樣的方法進行參數估計。

結束 ：瞭解你的數據

在熟悉數據以前，您沒法真正瞭解哪些分析適合您的數據，熟悉這些數據的最佳方法是繪製它們。一般個人第一步是作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。經過以各類方式繪製擬合值，您能夠肯定哪一種模型適合描述數據

。

該圖所作的是建立一條表明零的水平虛線：與最佳擬合線平均偏離零。

​

結果正如我所但願的那樣：與最佳擬合線的誤差趨於零。若是這條實線沒有覆蓋虛線，那意味着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很是尖銳，不像白色噪音。因此讓咱們嘗試用更多的迭代來從新設計模型。這是計算量更大，但產生更準確的結果。

​

如今更接近線條周圍的白色噪音，這意味着更好的模型。