问题标签 [random-effects]

我目前正在尝试计算给定效果的效果大小（Cohen 的 f^2），但需要运行一个带有预先指定的随机效果的空模型和部分模型（根据 Selya 等人，2012用于处理连续预测变量）。塞利亚等人。概述在 SAS 中执行此操作所需的代码，但我试图弄清楚如何在 R 中执行此操作。

当我使用先前类似问题的最后一段代码时，我不断收到 thetas 不匹配的错误（“3！= 4”）。我认为问题的出现是因为我的原始模型具有跨级别交互项，而之前的帖子只有随机截距。我不仅要保持对截距的随机影响，还要保持斜率的随机影响。如何修改代码以使其运行？我调用了该getME函数，"theta"并确实看到我的mod3b模型列出了 4 个 theta 值，所以我想我需要在代码中添加另一个参数项。我只是无法弄清楚如何让第四个 theta 项的方差显示在我的原始输出中。我感谢任何和所有的帮助！

这是我原始的具有随机斜率和随机截距的交叉分类模型：

我已将链接答案中的代码修改为如下：

它抛出的错误是：“错误：theta 大小不匹配”

当我进行回溯时，它给了我：

非常感谢任何和所有帮助！

我想使用 xtreg 来获取各个组的随机效应截距及其预测值。但是，所有预测命令都只是用常数值填充所有组。

使用 1 年的数据：

我有一个名为 的生物医学数据data1，我想构建一个随机效应模型来分析“eGFR”（一个连续变量），我对这项研究有四个协变量，“性别”、“糖尿病状态”、“吸烟状态” '，'治疗时间'。

如果我想假设这四个因素是固定效应，截距是随机效应，我如何用 R 语言构建这个混合效应模型？

例如，我想写这种类型：

首先，我对 R 相当陌生。所以请不要在评论中如此苛刻。提前感谢任何帮助/链接/操作方法/示例；那些将不胜感激。

我有一个这样的模型：

并通过使用

我必须在每个步骤中检查 AIC 和 p 值。我在每一步中消除了具有最低 AIC 的变量。

但是，我有 100 多个指标。用 100 个指标和 12 个变量来做这件事是一团糟。

虽然我不是统计专家，但我已经知道 AIC 和 q 值不是模型决策的最佳方式（我已经阅读了一些文档，讨论了 AIC/p 值）。但是，我不会使用这个模型来制定任何东西。他们只会帮助我判断哪些指标对变量有反应。

所以，我想知道这个 drop1 是否可以自动完成？

我正在尝试拟合具有近50 个变量的非线性模型（因为存在年份固定效应）。问题是我有太多的变量，我无法像这样写下完整的公式

其中y是二元响应变量，year.matirx是 45 列（表示 45 个不同年份）的矩阵，x是自变量。需要估计的参数是t1, t2, ..., t45, g, d。

我有很好的起始值t1, ..., t45, g, d。但我不想为这个非线性回归写一个长公式。

我知道如果模型是线性的，表达式可以简化为

1. 我尝试factor(year)了gnls功能，但它不起作用。

2. 另外我也试过

   nl_exp2 = as.formula(y ~ t*year.matrix + g*(x^d))

   nl_model2 = gnls(nl_exp2, start=list(t=rep(0.2, 45), g=0.01, d=0.1))

它还向我返回错误消息。

那么，有什么简单的方法可以写下非线性公式和初始值R吗？

我想知道是否有人可以帮我做点什么。我有一个装有 lme4 的混合效应模型，并且我已经提取了随机效应以绘制在点图中。我遵循了下面粘贴的非常有用的代码，并得到了显示的图。但是，我希望能够稍微整理一下 x 轴刻度，使其看起来更整洁一些。理想情况下，我希望轴刻度标签为 -0.1、0.1 和 0.3。我曾尝试在各个地方使用 scale_x_continous 修改函数，但由于我不完全确定整个代码如何协同工作，我不太清楚它会去哪里，或者它是否会起作用。我将非常感谢任何帮助，谢谢。

我有一组看起来像这样的数据：

rep 是重复的，stage 是我正在研究的果蝇的生命阶段（L = 幼虫，A = 成虫），line 是遗传系的编号，temp 是饲养温度，surv 是存活的比例。

我想要做的是，使用 R 中的 lme4 包，拟合 3 路交互模型（线性混合模型）来运行 ANOVA。我的原始模型：

有效，但我想将线条视为随机效果。我认为我正确地将 rep 视为分组变量(1|rep)，但我不确定。

我试过这个模型：

但后来我的三向互动就消失了。

基本上，我在寻求帮助，在 line、stage 和 temp 之间建立一个三向交互模型，其中 line 是随机的，rep 是分组变量

假设我们有以下预测：

有没有办法使用 predict() 函数来预测 y 中的新值，而不是通过使用 newdata 论证仅指定新的固定效应，而是通过指定应计算预测的单个随机截距值？

根据我的逻辑，它应该看起来像这样：

我有一个包含 4 个研究（每行 1 个）的简单数据集，并且我有每个研究的事件数（stage1）和样本量（n1）。在研究的第 1 阶段，来自研究 #1 的 10 人中有 4 人患有这种疾病。相比之下，研究#2 中只有 3/40 的人患有这种疾病，等等。

我使用该metaprop函数对 4 项研究中的单个比例进行荟萃分析。但是，假设每项研究都在稍后阶段报告其他效果估计值。

因此，在第 2 阶段，现在 10 个可能的人中共有 7 人患有研究 #1 中的疾病。我将如何准确地考虑到这一点，以便正确调整相关性？我是否应该在我的 data.frame 中制作阶段和研究指标：

但是我如何将它包含在我的metaprop函数调用中？我也愿意使用其他功能（不仅仅是metaprop）。

我无法解释我的模型的结果。我已经运行了一个混合效应模型，其中包含两个固定效应、两个使用 frailty() 的随机效应和两个交互项（固定：固定和固定：随机）。我有兴趣重建一个函数来预测个人的生存时间，因此随机效应项的方差估计很重要（因此我不能使用 cluster() 来识别它们）。以下是一些示例代码，可以在非常缩小的范围内生成我的数据集的样子：

使用下一节中的 ggplot 库，很明显，治疗对生存有影响，治疗 B 的个体寿命更长（证实为 p < 0.01），而城市没有显着影响（p > > 0.05）或治疗与城市之间的相互作用（p >> 0.05）。我的问题在于理解伽马项的输出。这是在告诉我随机效应的效应大小吗？如果是这样，为什么除了医院之外我看不到医生的输出？为什么有些交互项会输出 NA 和 0？

我不确定我的问题是出在我编写模型的方式上还是出在我对统计数据的理解上（可能两者兼而有之），但是看到输出中的错误让我对即使是关于固定效应的结论也犹豫不决。如果有更好的地方可以发布我的问题，请告诉我。