没有合适的资源?快使用搜索试试~ 我知道了~
参考网页汇总(仅作为资源保存,读者可忽略)
资源推荐
资源详情
资源评论
可以学习的 course:
https://www.cmm.bris.ac.uk/lemma/course/view.php?id=13 没细看可能没有太相关
Zuur et al., 2009 Mixed Effects Models and Extensions in Ecology with R
(https://link.springer.com/book/10.1007/978-0-387-87458-6)
Linear Mixed-Effects Models Using R(https://link.springer.com/book/10.1007/978-
1-4614-3900-4)
推荐阅读但很多步骤还未自己尝试过的:
https://www.jianshu.com/p/985f0eaf4afc
https://blog.csdn.net/qq_39859424/article/details/133245358
https://blog.csdn.net/weixin_44481878/article/details/89193141
一般线性混合模型学习,通过 R 包 LME4
(被试内设计(within-subjects design)一般用于被试内设计的实验的分析)
一般线性模型和线性 混 合 模 型 : Linear Mixde Model: 线 性 混 合 模 型 简 介 -CSDN 博客
(https://blog.csdn.net/weixin_43569478/article/details/108079707)
其中有一句话:
那么什么是最小二乘法、最大似然法估计(Maximum Likelihood,ML)、约束性最大似然法
估计(restricted maximum likelihood,REML):
最大似然估计:最大似然估计(Maximum likelihood estimation)(通过例子理解)-CSDN 博
客(https://blog.csdn.net/u014182497/article/details/82252456)
极 大 似 然 估 计 详 解 , 写 的 太 好 了 ! _ 极 大 似 然 估 计 函 数 -CSDN 博 客
(https://blog.csdn.net/qq_39355550/article/details/81809467)
从 抛 硬 币 试 验 看 概 率 论 的 基 本 内 容 及 统 计 方 法 _ 抛 硬 币 一 次 的 均 值 -CSDN 博 客
(https://blog.csdn.net/u012613251/article/details/136921009)
最大似然估计和限制性最大似然估计:最大似然估计和限制性极大似然估计 - 知乎
(zhihu.com)( https://zhuanlan.zhihu.com/p/66062778)
对 lmer 函数的解读:
文章:1406.5823.pdf (arxiv.org)( https://arxiv.org/pdf/1406.5823.pdf)
细 节 : lme4 包 中 的 lmer 函 数 语 法 介 绍 -CSDN 博 客
(https://blog.csdn.net/yijiaobani/article/details/116699441)
混 合 线 性 模 型 的 实 现 ( 更 新 20190607 ) - 知 乎 (zhihu.com)
(https://zhuanlan.zhihu.com/p/63092231)
R 语 言 , GLMM 模 型 , lme4 包 中 的 lmer ( ) 的 使 用 _r 语 言 lmer-CSDN 博 客
(https://blog.csdn.net/qq_20241587/article/details/107440870)
lme4 | 在 R 中 运 行 混 合 效 应 模 型 ( 多 层 模 型 ) - 知 乎
(zhihu.com)( https://zhuanlan.zhihu.com/p/567950808)里面提到学习多层模型的网站:
Home | (bris.ac.uk)(https://www.cmm.bris.ac.uk/lemma/)
为什么要用混合线性模型:比如测量了不同收入水平的人群的收入和幸福感,但每个群体内
收入水平是不同的,幸福感也不同,两者之间的关系也是不同的, 如果直接用一般线性模
型,会造成错误的结论,这个时候要考察的是可以推广到不同收入群体的收入和幸福感之间
的关系 (即考察的关系不仅可以应用于当前的收入群体,还可以应用到其他的群体)。这时
候需要用到混合线性模型(或者层次线性模型)。
Fm1<-lmer(reaction~days+(days|subject),sleepstudy)
Reaction:为 response variable
Days:为 fixed effects
(days|subject):为 random-effects model matrix, subject 为因子形式 factor 的数据格
式;“|”左边提供随机斜率,右边提供随机截距。(生态学研究中很少提到随机斜率,一般
都是设置随机截距)
提到如何选择随机效应的结构:R 数据分析:混合效应模型实例 - 知乎 (zhihu.com)
(https://zhuanlan.zhihu.com/p/347242871)文中貌似有点错误,但是总体不影响
R 数 据 分 析 : 用 lme4 包 拟 合 线 性 和 非 线 性 混 合 效 应 模 型 - 简 书 (jianshu.com)
(https://www.jianshu.com/p/d51f50bcf7ae)
北 大 的 R 语 言 教 程 里 也 有 提 到 : 37 线 性 混 合 模 型 | R 语 言 教 程 (pku.edu.cn)
( https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/stat-
lme.html#stat-lme-lme)
又该教程的数据建模部分引出了 nlme 包:R 语言|1.重复测量连续数据:混合效应模型分析
- 知乎 (zhihu.com)(https://zhuanlan.zhihu.com/p/433720225)
该教程中提到:
为了比较随机效应相同、固定效应不同的模型, 需要两个模型都使用最大似然估计;
;
lme2 和 lme3 的固定效应相同, 仅随机效应有差别, 当固定效应相同时用 anova()函数
比较两个模型的随机效应部分, 应使用 REML 估计
lme2 和 lme3 的固定效应相同, 方差结构不同且构成嵌套关系, 可以用基于 REML 的似
然比检验进行比较:
该教程中提到 anova 的三类检验,相关如下:
Type I, Type II, and Type III ANOVAs - 简 书 (jianshu.com)
(https://www.jianshu.com/p/7034da08b54d)
用 回 归 来 理 解 方 差 分 析 ( 三 ): Ⅰ 型 平 方 和 与 Ⅲ 型 平 方 和 - 知 乎 (zhihu.com)
(https://zhuanlan.zhihu.com/p/130252140)可能相关
实现流程参考:
https://zhuanlan.zhihu.com/p/433720225 ; https://zhuanlan.zhihu.com/p/433720225
( 这 个 对 模 型 结 果 的 解 读 讲 得 比 较 细 , 并 提 到 模 型 的 残 差 检 验 );
https://www.bilibili.com/video/BV1oG411c73d/?vd_source=a33d6564a7ab55023ebdf6b6
111b42a2
发现一个点:在用 nlme 包的 lme()函数时或是 lme4/lmerTest 包的 lmer 函数时,在 formula
这一部分写 x~a*b+……(出现交互项),对于 a 和 b 是什么类型的数据是没有要求的,都可
以写(数值变量或是分类变量),但当使用 glmmTMB()函数时,若 a 和 b 其中有一项是数值
型变量时,写 x~a*b+……会报错,此时要么选择 a 和 b 均为分类变量,要么使用 factor 函
数将 a 或 b 变为分类变量
通 过 学 习 https://aosmith.rbind.io/2017/12/21/using-dharma-for-residual-checks-
of-unsupported-models/该网站内容补充的新知识:
(from:https://blog.csdn.net/qq_36333576/article/details/126572438)
AIC 和 BIC 模 型 选 择 方 法 : 模 型 选 择 方 法 : AIC 和 BIC - 简 书 (jianshu.com)
( https://www.jianshu.com/p/4c8cf5df2092 ); 模 型 选 择 方 法 : AIC 和 BIC - 知 乎
(zhihu.com)(https://zhuanlan.zhihu.com/p/142489599)
比较 AIC 的代码:AICtab(model1,model2,……)
明天:
https://stats.stackexchange.com/questions/405848/r-lme4-vs-glmmtmb-for-
binomial-glmm
https://rdrr.io/cran/glmmTMB/f/inst/doc/glmmTMB.pdf
剩余10页未读,继续阅读
资源评论
cococo1015
- 粉丝: 38
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功