问题标签 [mixed-models]

我正在使用 R 中的包序数对基于 1 - 5 李克特量表的因变量运行序数逻辑回归，并试图弄清楚如何测试比例赔率假设。

我当前的模型是y ~ x1 + x2 + x3 + x4 + x2*x3 + (1|ID) + (1|form)x1 和 x2 是二分法，x3 和 x4 是连续变量。（92 个科目，4 个表格）。

据我所知，
最新版本的 clmm 中没有实现 -"nominal"。
-clmm2（旧版本）不接受多个随机变量
-nominal_test() 似乎只适用于 clm2（完全没有随机效应）

对于不同的 dv（只有一个随机项且没有交互），我使用过：

但我不确定如何修改这种方法来处理当前模型（2 个随机项和固定效应的相互作用），我也不确定这实际上是否是首先测试比例赔率假设的正确方法。（包教程中的例子只有2个固定效果。）

我对其他方法（无论是其他软件包、软件还是图形方法）持开放态度，可以让我对此进行测试。有什么建议么？

这是一个关于lme()语法的问题。我的响应变量是“响应”。我的固定变量是“年”。我有 2 个随机变量：嵌套在“学校”中的“学生”。

我想包含一个year*school交互，但我不想包含year*student一个。

这是我到目前为止的语法，但这似乎包括 2 个我只想要 1 个的随机交互。

我可以使用 nlme 包中的 gls() 来构建没有随机效应的 mod1。然后，我可以将使用 AIC 的 mod1 与使用 lme() 构建的 mod2 进行比较，后者确实包含随机效应。

是否有类似于 lme4 包的 gls() 的东西，它允许我构建没有随机效应的 mod3 并将其与使用 lmer() 构建的 mod4 进行比较，其中包含随机效应？

对于模拟研究，我对比了不同 LMEM 的重复测量能力。我想指定一个模型，其中允许随机截距和斜率相关，而其中一个不允许。但是，当我比较这两个模型时，它们似乎完全一样。当我在两个模型上运行方差分析时，没有相关性的模型甚至有一个更多的自由度，而它应该是相反的。

数据：

我已经在 lme4 包中为 r 建立并运行了一个混合效应逻辑回归模型，以估计不同位置（细胞/栖息地）中鱼类的占用概率。数据框由 68 条个体鱼的 1,207,140 个观测值组成。对于每个人（每天约 1 年），它描述了每个唯一位置的出现次数相对于所有位置的出现总数。

这是基本模型：

我收到以下警告消息：

我进行了一些搜索以试图了解这些消息的含义及其对模型的影响，但还没有理解这些警告。

我有 1,000 个因变量 (y) 可在 Ancova 中使用。自变量 (x) 在所有模型中都相同。

我需要一个 R 代码来替换example$Y.to.use每个 Yvar 的值。

我试过这个：

我将创建一个表格，其中包含每个 Yvar 的每个拟合模型的系数。

在以下示例中，我想将每个模型的残差图写入文件中。我不需要在我的显示器中看到它们。

当我在没有循环的情况下运行这段代码时，我得到了我想要的。但是，它会在循环中创建空白文件。

有任何想法吗？

谢谢你。

I'm trying to fit longitudinal item response theory (IRT) models in R. I have a test that was administered at multiple measurement occasions. I'd like to examine individuals' growth curves of factor scores (i.e., ability levels) from graded response models (GRMs). I have used the ltm package in R to fit cross-sectional GRM models in IRT, but it's not clear to me how (or whether it's even possible in ltm) to extend the models to handle repeated measures of the same items across time. How can I fit growth curves to longitudinal GRM factor scores to see changes in means/variances of ability levels over time? If this isn't possible with the ltm package, what packages/functions permit this? Specific code examples would be especially appreciated.

Here are empirical examples similar to what I'm looking to do (except the examples use a Rasch model for binary items where I'm using GRMs for polytomous data):

McArdle, J. J., Grimm, K. J., Hamagami, F., Bowles, R. P., & Meredith, W. (2009). Modeling life-span growth curves of cognition using longitudinal data with multiple samples and changing scales of measurement. Psychological Methods, 14, 126-149. doi: 10.1037/a0015857

McArdle, J. J., & Grimm, K. J. (2011). An empirical example of change analysis by linking longitudinal item response data from multiple tests. In A. A. Davier (Ed.), Statistical models for test equating, scaling, and linking (pp. 71-88): Springer: New York.

我很难在数据上拟合模型。基本上，我有 5 位评委对 65 棵棕榈树的表型特性（即硬性）评估的数据。作为一种评估方案，每个评委都会对每个样本打分。对于 3 位法官的样本数据如下所示：

这里，αi是判断主要系数，i是由于评分模式不同而产生的判断系数，θj是产品系数，εi是评估者相关的。

我试图使用lmeR 中的函数来拟合这个模型，但是我面临着拟合交互项的困难，因为这里的模型适合参数而不是协变量。

对于我的数据，这个模型看起来相当准确。我看过它的贝叶斯版本（http://www.r-bloggers.com/extending-the-sensory-profiling-data-model/），但我不知道如何使用混合建模方法或在常客的方式。

我的查询是：

a) 什么是适合这种模型的合适方法？我参考了很多文献，其中给出了关于迭代广义最小二乘、多级模型、分离回归模型、加权最小二乘模型的描述。但是我仍然没有得到如何在交互项中使用和拟合参数的估计值并为两个交互参数获取单独的系数？

b) 我怎样才能得到这种形式的异构错误？

c) 我可以使用哪个 R 包？

我试图解释 GLMM 中的自相关。我的响应变量是布尔值，它表示一组蜂巢的生命周期中是否存在 en 事件。我试图用一组描述每个巢的状态的数值变量来预测这种事件的概率。因此，我在具有嵌套作为随机效应的广义模型中使用了二项分布（使用 glmer()）。然而，这些事件是自相关的，所以我的残差中有一个非常可怕的模式。如果我在没有随机效应的错误中使用高斯分布，我会使用带有 gls() 的相关结构来估计一些相关参数，但这在这种情况下不起作用。我一直在寻找将这种自相关包含在 GLMM 中的方法，但我似乎没有做对。我发现可以使用函数 ts() 和 diff() 转换数据集，以允许模型包含响应的先前值作为预测变量。这适用于线性模型 lm()，使残差更好。

但是， lmer() 和 glm() 都不接受这些函数的输出。问题似乎是转换使某些值为负数，而 glm() 不接受二项式模型的负值（这是有道理的）。我已经读到可以考虑自相关 glm()，这已经是一种改进，但我无法让它发挥作用。我还读到 glmmPQL() 可以包含相关结构。该模型运行，但它并没有改善我的残差模式。它们似乎仍然是自相关的。

我尝试了不同的相关结构，但它们似乎都不起作用。

最后，我尝试了 dyn 包，它应该允许回归函数处理时间序列。但是再一次，该函数不会使用转换产生的值运行。

总而言之，我需要运行具有时间相关性的 GLMM，但我找不到这样做的方法。我将非常感谢一些帮助。

干杯！！！