混合模型中的单水平变量(lme4)R中的误差
图片形式:混合模型中的单水平变量(lme4)R中的误差,r,mixed,R,Mixed,图片形式: 试试基于nlme的kinship软件包。有关详细信息,请参见r-sig-mixed-models上的 对于非正常响应,您需要修改lme4和pedigreemm包;详情请参见。我正在扩展Aaron所说的内容,因此所有的功劳都应该归于Aaron的回答 1 NA NA NA NA NA NA NA NA NA 0 1 NA NA NA NA NA NA NA NA 0 0 1 NA NA NA NA NA NA NA 0.2
试试基于
nlme
的kinship
软件包。有关详细信息,请参见r-sig-mixed-models上的
对于非正常响应,您需要修改
lme4
和pedigreemm
包;详情请参见。我正在扩展Aaron所说的内容,因此所有的功劳都应该归于Aaron的回答
1 NA NA NA NA NA NA NA NA NA
0 1 NA NA NA NA NA NA NA NA
0 0 1 NA NA NA NA NA NA NA
0.25 0.25 0 1 NA NA NA NA NA NA
0.25 0.25 0 0.25 1 NA NA NA NA NA
0.25 0.25 0 0.25 0.25 1 NA NA NA NA
0.25 0.25 0 0.25 0.25 0.25 1 NA NA NA
0 0.25 0.25 0.125 0.125 0.125 0.125 1 NA NA
0 0.25 0.25 0.125 0.125 0.125 0.125 0.25 1 NA
0 0.25 0.25 0.125 0.125 0.125 0.125 0.25 0.25 1
kmat我不明白你为什么要把一个没有重复的因子当作随机效应。你能给我们提供更多的信息吗?另外,似乎M1a和M1b是因子,所以,你应该这样对待。是的,你是对的……个体是随机因子,有单次重复……同样,M1a和M1b是两个固定因子。我看到你把个体当作随机效应来对待。我的问题是你为什么要这么做。你无法估计个体间的变异性,因为每个个体只有一个度量。此外,你所指的动物模型需要一个关系矩阵(a)。如果不具体,就好像你的动物没有亲缘关系。我想你错过了一些有用的东西?通常,您会在r-sig-mixed上找到更多关于混合模型的专业知识-models@r-org
(界面太糟糕了——邮件列表是20世纪最流行的…)+1这是一个比我更有用的答案(因此绝对值得称赞)。谢谢你给出了这个例子。嘿!对不起,撞到这根旧线了。我想知道我是否能适应亲属关系而不是任何随机效应。可能吗?已经寻找了几个月了。截至2013年,软件包kinship
已经失效,Jon在下面示例中使用的函数lmekin
现在位于软件包coxme
require(lme4)
model1 <- lmer(yld ~ M1a + M1b + pop + (1|individual), data = mydata)
model1
Error in function (fr, FL, start, REML, verbose) :
Number of levels of a grouping factor for the random effects
must be less than the number of observations
peddf <- data.frame (individual = factor(1:10),
mother = c(NA, NA, NA, 1, 1, 1, 1,3, 3,3),
father = c(NA, NA, NA, 2, 2, 2, 2, 2, 2, 2))
individual mother father
1 1 NA NA
2 2 NA NA
3 3 NA NA
4 4 1 2
5 5 1 2
6 6 1 2
7 7 1 2
8 8 3 2
9 9 3 2
10 10 3 2
1 NA NA NA NA NA NA NA NA NA
0 1 NA NA NA NA NA NA NA NA
0 0 1 NA NA NA NA NA NA NA
0.25 0.25 0 1 NA NA NA NA NA NA
0.25 0.25 0 0.25 1 NA NA NA NA NA
0.25 0.25 0 0.25 0.25 1 NA NA NA NA
0.25 0.25 0 0.25 0.25 0.25 1 NA NA NA
0 0.25 0.25 0.125 0.125 0.125 0.125 1 NA NA
0 0.25 0.25 0.125 0.125 0.125 0.125 0.25 1 NA
0 0.25 0.25 0.125 0.125 0.125 0.125 0.25 0.25 1
kmat <- kinship(peddf$individual , peddf$father,peddf$mother)
kmat
1 2 3 4 5 6 7 8 9 10
1 0.50 0.00 0.00 0.250 0.250 0.250 0.250 0.000 0.000 0.000
2 0.00 0.50 0.00 0.250 0.250 0.250 0.250 0.250 0.250 0.250
3 0.00 0.00 0.50 0.000 0.000 0.000 0.000 0.250 0.250 0.250
4 0.25 0.25 0.00 0.500 0.250 0.250 0.250 0.125 0.125 0.125
5 0.25 0.25 0.00 0.250 0.500 0.250 0.250 0.125 0.125 0.125
6 0.25 0.25 0.00 0.250 0.250 0.500 0.250 0.125 0.125 0.125
7 0.25 0.25 0.00 0.250 0.250 0.250 0.500 0.125 0.125 0.125
8 0.00 0.25 0.25 0.125 0.125 0.125 0.125 0.500 0.250 0.250
9 0.00 0.25 0.25 0.125 0.125 0.125 0.125 0.250 0.500 0.250
10 0.00 0.25 0.25 0.125 0.125 0.125 0.125 0.250 0.250 0.500
model1 <- lmekin(yld ~ M1a + M1b + pop , random = ~ 1|individual, data = mydata)
Linear mixed-effects kinship model fit by maximum likelihood
Data: mydata
Log-likelihood = -20.23546
n= 10
Fixed effects: yld ~ M1a + M1b + pop
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.6473627 1.977203 4.3735334 0.004701001
M1a2 1.6722908 1.671041 1.0007477 0.355584122
M1b2 -0.7939123 1.671041 -0.4751003 0.651516161
pop2 0.5265145 1.671041 0.3150817 0.763369802
Wald test of fixed effects = 1.343476 df = 3 p = 0.718836
Random effects: ~1 | individual
individual resid
Standard Dev: 0.9493070 1.5651426
% Variance: 0.2689414 0.7310586
model2 <- lmekin(yld ~ M1a + M1b + pop , random = ~ 1|individual, varlist=list(kmat), data = mydata)
Linear mixed-effects kinship model fit by maximum likelihood
Data: mydata
Log-likelihood = -20.23548
n= 10
Fixed effects: yld ~ M1a + M1b + pop
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8.6473583 1.977206 4.3735251 0.004701044
M1a2 1.6722972 1.671042 1.0007511 0.355582600
M1b2 -0.7939228 1.671044 -0.4751057 0.651512529
pop2 0.5265200 1.671040 0.3150851 0.763367298
Wald test of fixed effects = 1.343489 df = 3 p = 0.7188331
Random effects: ~1 | individual
Variance list: list(kmat)
individual resid
Standard Dev: 5.78864e-03 1.830529
% Variance: 9.99990e-06 0.999990