如何理解/扩展RHS上带矩阵项的r公式

我一直在

lme4

中使用发布在的

knots（）

函数创建节点，然后调用

lmer

进行分段混合效应增长曲线回归，如下所示：

> df$knot<-knots(df$time,seq(1.5,3.5,.5)

> lmer(outcome ~ predictor*knot + (1+knot|id), data=df)

为了提高速度，我想用Julia（通过JuliaCall）来拟合这些模型，但是Julia不像R那样喜欢矩阵RHS

那么，我的问题是：R

lm

/

lmer

如何理解公式RHS上的矩阵，我能否将矩阵“展开”为数据帧中的正则向量列，这样Julia就不会抱怨了

我试过：

> df$knot1<-df$knot[,1]

> ...

> df$knot5<-df$knot[,5]

---

是这样吗？R与RHS矩阵预测器有何关系？

基于使用较小数据集运行测试模型，将矩阵扩展为五个虚拟变量确实如预期的那样有效，R和Julia产生了相同的结果（但Julia在6分钟内运行，lme4在大约一小时内运行，在我的数据的5%子集上使用相同的随机截距和斜率模型）。

如果你从随机效应中移除结，我认为lmer会运行得非常快。

lmer（output~predictor*knot+（1 | id），data=df）

。请参见

vignette（“LMERF”）

另外，还要遵循这里的提示。这是真的，但我不会拟合增长模型。（或者至少不是我尝试的那种，随机坡度）你仍然可以在固定效果中使用随机截距和结，但无论如何，关键是通过此更改，模型应该运行得更快。谢谢。我仍然想了解R在做什么，所以我可以尝试“手动”执行。如果

fm

是运行

lmer

的结果，则

model.matrix（fm）

和

model.matrix（fm，“random”）

将为您提供模型矩阵。建议您运行简化模型和完整模型，并在5%子集上查看是否有任何值得的差异。

> df$knot1<-df$knot[,1]

> ...

> df$knot5<-df$knot[,5]

outcome ~ predictor*(knot1+knot2+knot3+knot4+knot5) + (1+knot1+knot2+knot3+knot4+knot5|id)