Я хочу приспособить смешанную модель, используя lme4, nlme, пакет байсовой регрессии или любой доступный.
Смешанная модель в соглашениях о кодировании Asreml-R
прежде чем углубляться в детали, мы можем захотеть узнать подробности о соглашениях asreml-R для тех, кто не знаком с кодами ASREML.
y = Xτ + Zu + e ........................(1) ; обычная смешанная модель с, y обозначает вектор наблюдений n × 1, где τ - вектор фиксированных эффектов p × 1, X - матрица расчета n × p полного ранга столбца, которая связывает наблюдения с соответствующей комбинацией фиксированных эффектов , u - вектор случайных эффектов q × 1, Z - расчетная матрица n × q, которая связывает наблюдения с соответствующей комбинацией случайных эффектов, а e - вектор остаточных ошибок n × 1. Модель (1) называется линейная смешанная модель или линейная модель смешанных эффектов. Предполагается
где матрицы G и R являются функциями параметров γ и φ соответственно.
Параметр θ является параметром дисперсии, который мы будем называть параметром масштаба.
В моделях со смешанными эффектами с более чем одной остаточной дисперсией, возникающей, например, при анализе данных с более чем одним разделом или вариацией, параметр θ фиксируется в одном. В моделях со смешанными эффектами с одной остаточной дисперсией θ равно остаточной дисперсии (σ2). В этом случае R должна быть корреляционной матрицей. Более подробная информация о моделях представлена в руководстве Asreml (ссылка) .
Структуры дисперсии для ошибок: R-структура и структуры дисперсии для случайных эффектов: G-структуры могут быть определены.
Моделирование дисперсии в asreml () важно понимать формирование структур дисперсии через прямые продукты. Обычное предположение о наименьших квадратах (и по умолчанию в asreml ()) состоит в том, что они распределены независимо и одинаково (IID). Однако, если бы данные были получены в полевом эксперименте, разложенном в прямоугольном массиве из r строк по c столбцам, скажем, мы могли бы упорядочить невязки e в виде матрицы и потенциально считать, что они были автоматически коррелированы в строках и столбцах. вектор в порядке полей, то есть путем сортировки остатков строк в столбцах (графики внутри блоков) дисперсия остатков может быть тогда
являются корреляционными матрицами для модели строки (порядок r, параметр автокорреляции ½r) и модели столбца (порядок c, параметр автокорреляции ½c) соответственно. Более конкретно, двумерная разделяемая авторегрессионная пространственная структура (AR1 x AR1) иногда допускается для общих ошибок в анализе полевых испытаний.
Пример данных:
nin89 из библиотеки asreml-R, где различные сорта были выращены в точках / блоках в прямоугольном поле. Чтобы контролировать дополнительную изменчивость в направлении строки или столбца, каждый график упоминается как переменные строки и столбца (дизайн столбца строки). Таким образом, этот ряд столбца дизайн с блокировкой. Урожай измеряется переменной.
Пример модели
Мне нужно что-то эквивалентное кодам asreml-R:
Синтаксис простой модели будет выглядеть следующим образом:
rcb.asr <- asreml(yield ∼ Variety, random = ∼ Replicate, data = nin89)
.....model 0
Линейная модель указывается в фиксированных (обязательных), случайных (необязательных) и rcov (компонент ошибки) аргументах в качестве объектов формул. По умолчанию это простой термин ошибки, и его не нужно формально указывать для элемента ошибки, как в модели 0 ,
здесь разнообразие является фиксированным эффектом, а случайное - копиями (блоками). Помимо случайных и фиксированных терминов мы можем указать термин ошибки. Это значение по умолчанию в этой модели 0. Остаточный компонент или компонент ошибки модели указывается в объекте формулы через аргумент rcov, см. Следующие модели 1: 4.
Следующая модель1 является более сложной, в которой указана структура G (случайная) и R (ошибка).
Модель 1:
data(nin89)
# Model 1: RCB analysis with G and R structure
rcb.asr <- asreml(yield ~ Variety, random = ~ idv(Replicate),
rcov = ~ idv(units), data = nin89)
Эта модель эквивалентна приведенной выше модели 0 и вводит использование дисперсионной модели G и R. Здесь параметр random и rcov задает случайные формулы и формулы rcov для явного указания структур G и R. где idv () - специальная функция модели в asreml (), которая идентифицирует модель отклонения. Выражение idv (единицы) явно устанавливает матрицу дисперсии для e в масштабированную единицу.
# Модель 2: двумерная пространственная модель с корреляцией в одном направлении
sp.asr <- asreml(yield ~ Variety, rcov = ~ Column:ar1(Row), data = nin89)Экспериментальные единицы nin89 индексируются по столбцам и строкам. Таким образом, в этом случае мы ожидаем случайного изменения в двух направлениях - направлении строки и столбца. где ar1 () - специальная функция, задающая модель авторегрессии дисперсии первого порядка для строки. Этот вызов задает двумерную пространственную структуру для ошибки, но с пространственной корреляцией только в направлении строки. Модель отклонения для столбца - это тождество (id ()), но не требует формального указания, так как это значение по умолчанию.
# модель 3: двумерная пространственная модель, структура ошибок в обоих направлениях
sp.asr <- asreml(yield ~ Variety, rcov = ~ ar1(Column):ar1(Row),
data = nin89)
sp.asr <- asreml(yield ~ Variety, random = ~ units,
rcov = ~ ar1(Column):ar1(Row), data = nin89)
аналогично вышеприведенной модели 2, однако корреляция имеет два направления - авторегрессионное.
Я не уверен, сколько из этих моделей возможно с открытыми пакетами R. Даже если решение любой из этих моделей окажет большую помощь. Даже если бой +50 может стимулировать к разработке, такой пакет очень поможет!
См. MAYSaseen предоставил выходные данные каждой модели и данные (в качестве ответа) для сравнения.
Изменения: Ниже приводится предложение, которое я получил на дискуссионном форуме по смешанным моделям: «Вы можете взглянуть на пакеты регресса и пространственной ковариации Дэвида Клиффорда. Первый позволяет подогнать (гауссовские) смешанные модели, где вы можете очень гибко указать структуру ковариационной матрицы. (например, я использовал его для данных родословной.) Пакет пространственного ковариации использует регрессию для предоставления более сложных моделей, чем AR1xAR1, но может быть применимо. Возможно, вам придется связаться с автором для применения его к вашей конкретной проблеме. "
corStructв nlme(для анизотропных корреляций) ... Было бы полезно, если бы вы могли кратко изложить (словами или уравнениями) статистические модели, соответствующие этим утверждениям ASREML, поскольку мы не все знакомы с Синтаксис ASREML ...
MCMCglmm, и я уверен, что (кроме spatialCovarianceупомянули, что я не знаком с), единственным способом , чтобы сделать это в R является определением новых corStructс - что возможно, но не тривиальны.
lme4. Можете ли вы (а) рассказать нам, почему вам нужно делать это,lme4а неasreml-R(б) рассмотреть возможность публикации информации о том,r-sig-mixed-modelsгде есть более значимый опыт?