[英]How can I get a lme4::glmer to run
我有這個 csv 文件
名稱 | ID | 年 | 游客 | 反饋 |
---|---|---|---|---|
阿努比斯 | 1個 | 2014 | 真的 | 0:01:17 |
雅典娜 | 2個 | 2014 | 錯誤的 | 0:01:53 |
我正在嘗試使用 lme4 運行一般線性混合 model 但我正在努力讓它運行。
我的代碼是
library(tidyverse)
library(lme4)
library(lattice)
Feedbout=read.csv("Av_Fe_Bout3.csv")
head(Feedbout)
Feedbout$Tourist=as.logical(Feedbout$Tourist)
Av_Fe_Bout3 <- glmer(Feed.bout ~ Year + Tourist + Year:Tourist + (1|ID), family = poisson, data = Feedbout)
summary(Av_Fe_Bout3)
我不斷得到
Error in mkRespMod(fr, family = family) :
response must be numeric or factor
In addition: Warning message:
Some predictor variables are on very different scales: consider rescaling
我在沒有家庭的情況下嘗試過,也嘗試過二項式。
如果我更改任何其他內容, Feed.bout
將更改為NA
並且我不知道如何將其更改回來。
我認為問題出在Feed.bout
但我不確定該怎么做。
我也試過跑步
read.zoo(file = "Av_Fe_Bout3.csv", format = "%H:%M:%S")
嘗試更改Feed.bout
的格式,但它只是說
Error in read.csv.zoo(file = "Av_Fe_Bout3.csv", format = "%H:%M:%S") :
could not find function "read.csv.zoo"
很難模仿您所做的事情,但在這里我將提供一個使用二進制數據集的工作示例,以向您展示我認為可能是問題所在。 首先,我將加載必要的包。 然后我會設置一個隨機種子,這樣你就可以嘗試我在這里的東西(希望在你自己的數據上)。
#### Load Libraries and Random Seed ####
library(lmerTest)
library(tidyverse)
set.seed(123)
從這里開始,無需將結果轉換為該特定數據集的因子或數值,但我這樣做只是為了向您展示如何操作。 我還創建了一個名為fake
的模擬值以添加到lme4
的 Verbagg 數據中,因為此數據集中沒有其他數字預測變量。 由於有 7585 個觀測值,我在下面模擬了同樣多的觀測值。
#### Convert Variable to Factor ####
VerbAgg <- VerbAgg %>%
mutate(r2 = factor(r2),
fake = rnorm(n=7584))
然后我一如既往地適合model。 在這種情況下,我將scale
function 放在交互項中的兩個數字預測變量周圍nAGQ
參數僅在此處運行以加快運行速度,因為此數據通常擬合起來很慢。
#### Fit Data to Model ####
fit <- glmer(r2
~ scale(Anger)*scale(fake)
+ (1|id)
+ (1|item),
family = binomial,
data = VerbAgg,
nAGQ=0L)
最后從那里你只需用summary(fit)
總結 model ,它給你這個:
Generalized linear mixed model fit by maximum likelihood (Adaptive
Gauss-Hermite Quadrature, nAGQ = 0) [glmerMod]
Family: binomial ( logit )
Formula: r2 ~ scale(Anger) * scale(fake) + (1 | id) + (1 | item)
Data: VerbAgg
AIC BIC logLik deviance df.resid
8203.1 8244.7 -4095.5 8191.1 7578
Scaled residuals:
Min 1Q Median 3Q Max
-5.8761 -0.6234 -0.1787 0.6240 14.0824
Random effects:
Groups Name Variance Std.Dev.
id (Intercept) 1.815 1.347
item (Intercept) 1.275 1.129
Number of obs: 7584, groups: id, 316; item, 24
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.155244 0.244350 -0.635 0.52521
scale(Anger) 0.261487 0.081500 3.208 0.00133 **
scale(fake) 0.001112 0.028515 0.039 0.96890
scale(Anger):scale(fake) 0.026135 0.029000 0.901 0.36747
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) scl(A) scl(f)
scale(Angr) 0.000
scale(fake) 0.002 -0.003
scl(Ang):() -0.001 0.011 0.001
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.