问题标签 [lmer]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
r - R lmer 调试:[[<-.data.frame(*tmp*, i, value = integer(0)) 中的错误:替换有 0 行,数据有 117
我可以lmer
在没有此错误的旧计算机上使用,但新版本(昨天下载)给了我此错误消息:
响应此功能:
我真的很希望能够使用较新的版本,因为我已经读到它比旧版本具有更少的错误收敛问题。任何人都可以提供有关如何使其在没有上述错误的情况下运行的任何帮助,我们将不胜感激。
我的数据可以在这里找到:https ://dl.dropboxusercontent.com/u/16881915/Rfile.txt
r - 为什么 aov 和 lmer 之间存在显着差异?
我有一个混合模型,数据如下所示:
每个主题为 errorType(O 或 P)提供两个数据点,每个主题处于条件 G(N=30)或 N(N=33)。errorType 是重复变量,Condition 是介于变量之间。我对主要影响和相互作用都感兴趣。所以,首先是方差分析:
Condition 并不重要,但 errorType 和交互作用一样重要。
但是,当我使用 lmer 时,我得到了一组完全不同的结果:
所以对于 lmer,Condition 和交互很重要,但 errorType 不重要。
此外, lmer 结果与 glm 结果完全相同,让我相信有问题。
有人可以帮我理解为什么它们如此不同吗?我怀疑我使用 lmer 不正确(尽管我尝试了许多其他版本,例如 (errorType | subject),但结果相似。
r - lmer(来自 R 包 lme4)如何计算对数似然度?
我试图理解函数 lmer。我发现了很多关于如何使用该命令的信息,但关于它实际在做什么的信息并不多(这里有一些神秘的评论:http: //www.bioconductor.org/help/course-materials/2008/PHSIntro/ lme4Intro-handout-6.pdf)。我正在使用以下简单示例:
我知道 lmer 正在拟合 Y_{ij} = beta + B_i + epsilon_{ij} 形式的模型,其中 epsilon_{ij} 和 B_i 分别是方差为 sigma^2 和 tau^2 的独立法线。如果 theta = tau/sigma 是固定的,我用正确的均值和最小方差计算了 beta 的估计值
在哪里
我还计算了 sigma^2 的以下无偏估计:
s^2 = \sum_{i,j} alpha_i (y_{ij} - c)^2 / (1 + theta^2 - lambda)
这些估计似乎与 lmer 产生的结果一致。但是,我无法弄清楚在这种情况下如何定义对数似然。我计算的概率密度为
在哪里
但是上面的日志不是 lmer 产生的。在这种情况下如何计算对数似然(对于奖励分数,为什么)?
编辑:更改了一致性符号,删除了标准偏差估计的错误公式。
r - 如何在线性混合模型中找到 F 和 p 值
我对 R 还不是很熟悉,我想用lmer
函数构建混合效果的线性模型。
我们有 3 个自变量,每次有 2 种模态:
- 组(G3 和 G5)
- 频率(低频和高频)
- 条件(NR 和 PH)
和一个因变量:
- 反应时间 (RT)。
这是我的数据样本,数据提取manipfreq
:
我特别感兴趣的是:
- 主要影响:“组”、“频率”、“条件”
- 两种交互方式:“条件*组”和“条件*频率”</li>
- 三向交互:“组*频率*条件”</li>
以及仅在 NR 条件下的双向交互“组*频率”
我编写了一个模型,该模型考虑了我的 IV 和与我的主题和项目相关的截距和斜率之间的相互作用。
这是我的模型(如果我错了,请纠正我):
我需要找到 F 和 p 值。
我会很感激你的帮助。
r - 这在 lme4 中意味着什么:包 'Rcpp' 未提供函数 'dataptr'
我正在尝试使用 lme4 进行 LMM,并弹出此消息:
initializePtr() 中的错误:包“Rcpp”未提供函数“dataptr”
我应该怎么办?
r - 为什么 lmerTest 不给某些模型提供 p 值?
我运行了模型:
输出类似于 lmer。我不明白,因为我运行其他模型的相同语法结构,它工作正常。你知道为什么 lmerTest 没有给我这个模型的 p 值吗?
r - lmerTest 和 lmer:错误信息
我在 2013 版的 R 中运行了 lmerTest 和 lmer:
lmer3 对我来说很好用。而当我检查str(data1.frame)中的数据时,并没有错。
但是当我把这个命令
它给了我这个信息:
但是,我很确定我的数据没有任何问题,因为我可以在 R 版本 2009 中运行 lmer。你知道如何解决这个问题吗?问题是,如果我坚持使用 R 版本 2009,那么我无法从 lmerTest 获得 p 值,而且我不知道如何从似然比测试中获得它。你对此有什么想法吗?
r - How to run a model for multiple variables(columns) in df with lmer
I have several variables(columns) in a df I want to run lmer (from lme4 package).
Say I have a dataframe called df:
I'm trying to write a function to do this, but having trouble passing arguments and using them in the function.
Can someone advise on the best way to do this? Maybe a function isn't the answer? A loop? I should say the reason is that once I get the function working, I want the function to return other things from the model.. such as the AIC, BLUPs, etc..
r - 泊松模型的 glmer 和 difflsmeans 之间的差异
我无法理解 glmer 与泊松模型和 difflsmeans 之间结果的一些差异。这两个函数都来自 lmerTest 包。基本上,glmer 告诉我这两个系数在 p < 0.05 时很重要,但是当我使用 difflsmeans 时,它会给出不同的结果。我正在使用泊松链接和偏移量来模拟计数数据,并包括治疗的固定效应和批次实验的随机效应。
在其他使用高斯链接的分析中,lmer 和 difflsmeans 都给出了相同的结果。
将 difflsmeans 用于具有泊松链接的混合模型是否有效?
还有其他方法可以检查系数的重要性吗?(我知道这已经被问过,但我的意思是在这个分析的背景下)
提前致谢
来自 GLMER 的结果
来自差异的结果意味着
r - 为什么 rmvnorm() 函数返回“In sqrt(ev$values) : NaNs 产生”,这个错误是什么以及如何纠正或避免它?
我正在处理金融/经济数据,以防您想知道以下某些系数的大小...我的一般问题与 R 中线性随机效应模型输出的参数系数的模拟有关。我是尝试使用模型系数和 R 中同一模型的方差-协方差 (VCOV) 矩阵生成 beta 系数的随机样本。我的问题是:为什么我会收到以下关于预期值平方根的错误mvtnorm{} 包中的 rmvnorm() 函数?我该如何处理这个警告/问题?
警告消息:在 sqrt(ev$values) 中:产生了 NaN
当我谷歌以下搜索字符串:“rmvnorm,”警告消息:在 sqrt(ev$values) 中:NaNs 产生,”我看到: http ://www.nickfieller.staff.shef.ac.uk/sheff-only /mvatasksols6-9.pdf 在第 4 页上,此错误表示“负特征值。”虽然,我从概念上或实际上不知道负特征值是什么,也不知道为什么会在这种情况下产生它们。
第二个搜索结果:[ http://www.r-tutor.com/r-introduction/basic-data-types/complex 2表示出现这个错误是因为试图取-1的平方根,即“不是一个复杂的值”(你不能取 -1 的平方根)。
问题仍然存在,随机生成的 beta 发生了什么,如何纠正?
sessionInfo() R 版本 3.0.2 (2013-09-25) 平台:x86_64-apple-darwin10.8.0 (64-bit)
使用以下软件包/版本 mvtnorm_0.9-9994、lme4_1.1-5、Rcpp_0.10.3、Matrix_1.1-2-2、lattice_0.20-23