基于R语言的lmer混合线性回归模型

原文 http://tecdat.cn/?p=2596

混合模型适合需求吗？

混合模型在不少方面与线性模型类似。它估计一个或多个解释变量对响应变量的影响。混合模型的输出将给出一个解释值列表，其效应值的估计值和置信区间，每一个效应的p值以及模型拟合程度的至少一个度量。若是您有一个变量将您的数据样本描述为您可能收集的数据的子集，则应该使用混合模型而不是简单的线性模型。

什么几率分布最适合数据？

假设你已经决定要运行混合模型。接下来你要作的是找到最适合你的数据的几率分布。

​

＃lnorm表示对数正态qqp （recog $ Aggression.t，“lnorm” ）

＃qqp要求估计负二项式，泊松＃和伽玛分布的参数。 可使用fitdistr ＃函数生成估计值。

​

​

查看我使用qqp生成的图。y轴表示观察值，x轴表示由分布模拟的分位数。红色的实线表示完美的分布拟合，虚线的红色线条表示完美的分布拟合的置信区间。

如何将混合模型拟合到数据

数据是正常分布的

若是你的数据是正态分布的， 你可使用线性混合模型（LMM）。您将须要加载lme4软件包并调用lmer函数。

若是你的数据不正常分布

用于估计模型中效应大小的REML和最大似然方法会对数据不适用正态性假设，所以您必须使用不一样的方法进行参数估计。

结束 ：了解你的数据

在熟悉数据以前，您没法真正了解哪些分析适合您的数据，熟悉这些数据的最佳方法是绘制它们。一般个人第一步是作我感兴趣的变量的密度图，按照我最感兴趣的解释变量来分解。

​

绘图对评估模型拟合也很重要。经过以各类方式绘制拟合值，您能够肯定哪一种模型适合描述数据

。

该图所作的是建立一条表明零的水平虚线：与最佳拟合线平均偏离零。

​

结果正如我所但愿的那样：与最佳拟合线的误差趋于零。若是这条实线没有覆盖虚线，那意味着最适合的线条不太适合。

MCMC模型图形比较

​

这些随机效果看起来很是尖锐，不像白色噪音。因此让咱们尝试用更多的迭代来从新设计模型。这是计算量更大，但产生更准确的结果。

​

如今更接近线条周围的白色噪音，这意味着更好的模型。