R nlme包中的gls（）与lme（）

在nlme软件包中，有两个用于拟合线性模型的函数（lme和gls）

两者的区别是什么 从模型类型的角度来看，它们是不同的 那可以是合身的，而且合身 过程

设计是什么 有两个函数的理性 拟合线性混合模型，其中 仅限其他系统（如SAS SPSS） 有吗

更新：增加了赏金。有兴趣了解拟合过程中的差异和合理性。

有趣的问题

原则上，唯一的区别是gls不能拟合具有随机效应的模型，而lme可以。所以命令

fm1 <- gls(follicles ~ sin(2*pi*Time)+cos(2*pi*Time),Ovary,
           correlation=corAR1(form=~1|Mare))

fm1From，第5.4节，第250页：

gls功能用于适应
扩展线性模型，使用
最大可能性，或限制性
最大可能性。它可以是面纱
作为一个lme功能，不带
参数随机

关于进一步的细节，比较正畸数据集的
lme
分析（从同一本书的第147页开始）和
gls
分析（从第250页开始）将是有益的。首先，比较


这是真的吗？“gls不能适应随机效应的模型”，这不仅仅是一个类似于伦敦金属交易所的例子，正如里奇所说的“没有随机性”吗？i、 例如，它仍然模拟随机效应？
lm1 <- lme(follicles~sin(2*pi*Time)+cos(2*pi*Time),Ovary,
           correlation=corAR1(form=~1|Mare))

orth.lme <- lme(distance ~ Sex * I(age-11), data=Orthodont)
summary(orth.lme)

Linear mixed-effects model fit by REML
 Data: Orthodont 
       AIC     BIC    logLik
  458.9891 498.655 -214.4945

Random effects:
 Formula: ~Sex * I(age - 11) | Subject
 Structure: General positive-definite
                      StdDev    Corr                
(Intercept)           1.7178454 (Intr) SexFml I(-11)
SexFemale             1.6956351 -0.307              
I(age - 11)           0.2937695 -0.009 -0.146       
SexFemale:I(age - 11) 0.3160597  0.168  0.290 -0.964
Residual              1.2551778                     

Fixed effects: distance ~ Sex * I(age - 11) 
                          Value Std.Error DF  t-value p-value
(Intercept)           24.968750 0.4572240 79 54.60945  0.0000
SexFemale             -2.321023 0.7823126 25 -2.96687  0.0065
I(age - 11)            0.784375 0.1015733 79  7.72226  0.0000
SexFemale:I(age - 11) -0.304830 0.1346293 79 -2.26421  0.0263
 Correlation: 
                      (Intr) SexFml I(-11)
SexFemale             -0.584              
I(age - 11)           -0.006  0.004       
SexFemale:I(age - 11)  0.005  0.144 -0.754

Standardized Within-Group Residuals:
        Min          Q1         Med          Q3         Max 
-2.96534486 -0.38609670  0.03647795  0.43142668  3.99155835 

Number of Observations: 108
Number of Groups: 27

orth.gls <- gls(distance ~ Sex * I(age-11), data=Orthodont)
summary(orth.gls)

Generalized least squares fit by REML
  Model: distance ~ Sex * I(age - 11) 
  Data: Orthodont 
       AIC      BIC    logLik
  493.5591 506.7811 -241.7796

Coefficients:
                          Value Std.Error  t-value p-value
(Intercept)           24.968750 0.2821186 88.50444  0.0000
SexFemale             -2.321023 0.4419949 -5.25124  0.0000
I(age - 11)            0.784375 0.1261673  6.21694  0.0000
SexFemale:I(age - 11) -0.304830 0.1976661 -1.54214  0.1261

 Correlation: 
                      (Intr) SexFml I(-11)
SexFemale             -0.638              
I(age - 11)            0.000  0.000       
SexFemale:I(age - 11)  0.000  0.000 -0.638

Standardized residuals:
        Min          Q1         Med          Q3         Max 
-2.48814895 -0.58569115 -0.07451734  0.58924709  2.32476465 

Residual standard error: 2.256949 
Degrees of freedom: 108 total; 104 residual