![](/img/trans.png)
[英]Specifying random effects for repeated measures in logistic mixed model in R: lme4::glmer
[英]R, lme: specifying random effects for mixed model of before-after-gradient analysis
我正在尝试使用“渐变后”方法来衡量工业发展的生物影响。 我在R中使用线性混合模型方法,无法指定合适的模型,尤其是随机效应。 我已经花了很多时间研究这个问题,但是到目前为止,还没有一个明确的解决方案-至少我不了解。 我是LMM(和R)的新手,所以欢迎您提出任何建议。
响应变量(例如,关键物种的丰度变化)将根据距干扰边缘的距离进行测量,方法是使用沿着干扰边缘放射出的多个样条线(“梯度”)以固定距离建立的图。 理想情况下,在影响之前和之后都应多次采样每个图。 但是,为简单起见,我从假设最简单的情况开始,在此情况下,每个图在影响之前和之后都进行一次采样。 还假定各个梯度相距足够远,可以认为它们在空间上是独立的。
首先,一些模拟数据。 这里的效果是线性的,而不是曲线的,但是您明白了。
> str(bag)
'data.frame': 30 obs. of 5 variables:
$ Plot : Factor w/ 15 levels "G1-D0","G1-D100",..: 1 2 4 5 3 6 7 9 10 8 ...
$ Gradient: Factor w/ 3 levels "1","2","3": 1 1 1 1 1 2 2 2 2 2 ...
$ Distance: Factor w/ 5 levels "0","100","300",..: 1 2 3 4 5 1 2 3 4 5 ...
$ Period : Factor w/ 2 levels "After","Before": 2 2 2 2 2 2 2 2 2 2 ...
$ response: num 0.633 0.864 0.703 0.911 0.676 ...
> bag
Plot Gradient Distance Period response
1 G1-D0 1 0 Before 0.63258749
2 G1-D100 1 100 Before 0.86422356
3 G1-D300 1 300 Before 0.70262745
4 G1-D700 1 700 Before 0.91056851
5 G1-D1500 1 1500 Before 0.67637353
6 G2-D0 2 0 Before 0.75879579
7 G2-D100 2 100 Before 0.77981992
8 G2-D300 2 300 Before 0.87714158
9 G2-D700 2 700 Before 0.62888739
10 G2-D1500 2 1500 Before 0.83217617
11 G3-D0 3 0 Before 0.87931801
12 G3-D100 3 100 Before 0.81931761
13 G3-D300 3 300 Before 0.74489963
14 G3-D700 3 700 Before 0.68984485
15 G3-D1500 3 1500 Before 0.94942006
16 G1-D0 1 0 After 0.00010000
17 G1-D100 1 100 After 0.05338171
18 G1-D300 1 300 After 0.15846741
19 G1-D700 1 700 After 0.34909588
20 G1-D1500 1 1500 After 0.77138824
21 G2-D0 2 0 After 0.00010000
22 G2-D100 2 100 After 0.05801157
23 G2-D300 2 300 After 0.11422562
24 G2-D700 2 700 After 0.34208601
25 G2-D1500 2 1500 After 0.52606733
26 G3-D0 3 0 After 0.00010000
27 G3-D100 3 100 After 0.05418663
28 G3-D300 3 300 After 0.19295391
29 G3-D700 3 700 After 0.46279103
30 G3-D1500 3 1500 After 0.58556186
据我所知,固定效果应该是“周期”(“前”,“后”)和“距离”,并将距离视为连续的(不是一个因素),以便我们可以估算斜率。 周期与距离之间的相互作用(等于之前与之后的坡度差)衡量了影响。 我仍在摸索如何指定随机效果。 我假设应该控制渐变之间的差异,如下所示:
result <- lme(response ~ Distance + Period + Distance:Period, random=~ 1 | Gradient, data=bag)
但是,我怀疑我可能缺少一些变化的来源。 例如,我不确定上面的模型可以控制前后各个图的重新采样。 有什么建议么?
您只需拥有一个样本/渐变,就无需指定随机效果或有关渐变的任何内容。 您可以通过直接多元回归来实现。 在每个渐变中具有多个度量后,即可使用指定的模型。 这是在模型的截距上有一个预期的梯度主效应,但是距离,周期及其相互作用的效应(斜率)应该是固定的。
如果您期望其他预测变量中的梯度之间存在相当大的可变性,则可以指定其他随机效应。 我不确定您如何在lme
或即使可以的情况下执行此操作,但是在lmer
一个示例可能是:
lmer(response ~ Distance * Distance:Period + (1 + Distance | Gradient), data=bag)
这将使“距离”斜率具有固定的效果分量,并且随梯度变化。 您可以查找有关随机效应的进一步说明,但希望您能了解总体思路,然后可以决定制作模型的复杂程度。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.