Voglio adattare il modello misto usando lme4, nlme, pacchetto di regressione baysian o qualsiasi altro disponibile.
Modello misto in convenzioni di codifica Asreml-R
prima di entrare nei dettagli, potremmo voler avere dettagli sulle convenzioni asreml-R, per coloro che non hanno familiarità con i codici ASREML.
y = Xτ + Zu + e ........................(1) ; il solito modello misto con, y indica il vettore n × 1 di osservazioni, dove τ è il vettore p × 1 degli e ff fissi, X è una matrice di disegno n × p del rango di colonna completo che associa le osservazioni alla combinazione appropriata di e ff fissi , u è il vettore q × 1 di e random casuali, Z è la matrice di progettazione n × q che associa le osservazioni alla combinazione appropriata di e random etti casuali, e e è il vettore n × 1 di errori residui. Il modello (1) è chiamato un modello lineare misto o un modello lineare misto di ff ecti. Si presume
dove le matrici G e R sono funzioni dei parametri γ e φ, rispettivamente.
Il parametro θ è un parametro di varianza che chiameremo parametro di scala.
Nei modelli a mixed ecti misti con più di una varianza residua, ad esempio nell'analisi di dati con più di una sezione o variabile, il parametro θ è fissato a uno. Nei modelli misti ff ecti con una varianza residua singola, allora θ è uguale alla varianza residua (σ2). In questo caso R deve essere una matrice di correlazione. Ulteriori dettagli sui modelli sono forniti nel manuale di Asreml (link) .
Strutture di varianza per gli errori: struttura R e strutture di varianza per gli effetti casuali: strutture G possono essere specificate.
modellazione della varianza in asreml () è importante comprendere la formazione di strutture di varianza tramite prodotti diretti. Il solito presupposto dei minimi quadrati (e il valore predefinito in asreml ()) è che questi sono distribuiti in modo indipendente e identico (IID). Tuttavia, se i dati provenissero da un esperimento sul campo disposto in una matrice rettangolare di r righe per c colonne, diciamo, potremmo organizzare i residui e come una matrice e potenzialmente considerare che fossero autocorrelati all'interno di righe e colonne. un vettore in ordine di campo, ovvero ordinando le righe dei residui all'interno delle colonne (grafici nei blocchi) la varianza dei residui potrebbe essere
sono matrici di correlazione per il modello di riga (ordine r, parametro di autocorrelazione ½r) e il modello di colonna (ordine c, parametro di autocorrelazione ½c) rispettivamente. Più specificamente, una struttura spaziale autoregressiva separabile bidimensionale (AR1 x AR1) viene talvolta assunta per gli errori comuni in un'analisi di prova sul campo.
I dati di esempio:
nin89 proviene dalla libreria asreml-R, dove sono state coltivate diverse varianti in repliche / blocchi in campo rettangolare. Per controllare la variabilità aggiuntiva nella direzione di riga o colonna, ogni grafico viene indicato come variabile di riga e colonna (design della colonna di riga). Pertanto, questa colonna di design di riga con blocco. La resa è misurata variabile.
Esempi di modelli
Ho bisogno di qualcosa di equivalente ai codici asreml-R:
La sintassi del modello semplice sarà simile alla seguente:
rcb.asr <- asreml(yield ∼ Variety, random = ∼ Replicate, data = nin89)
.....model 0
Il modello lineare è specificato negli argomenti fisso (obbligatorio), casuale (opzionale) e rcov (componente di errore) come oggetti formula. Il valore predefinito è un termine di errore semplice e non è necessario specificarlo formalmente per il termine di errore come nel modello 0 .
qui la varietà ha effetto fisso e casuale è replicati (blocchi). Oltre ai termini casuali e fissi possiamo specificare il termine di errore. Quale è il valore predefinito in questo modello 0. Il componente residuo o di errore del modello viene specificato in un oggetto formula tramite l'argomento rcov, vedere i seguenti modelli 1: 4.
Il seguente modello 1 è più complesso in cui sono specificate sia la struttura G (casuale) che R (errore).
Modello 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)
Questo modello è equivalente al precedente modello 0 e introduce l'uso del modello di varianza G e R. Qui l'opzione random e rcov specifica le formule random e rcov per specificare esplicitamente le strutture G e R. dove idv () è la funzione del modello speciale in asreml () che identifica il modello di varianza. L'espressione idv (unità) imposta esplicitamente la matrice di varianza per e su un'identità in scala.
# Modello 2: modello spaziale bidimensionale con correlazione in una direzione
sp.asr <- asreml(yield ~ Variety, rcov = ~ Column:ar1(Row), data = nin89)le unità sperimentali del 1989 sono indicizzate per colonna e riga. Quindi ci aspettiamo una variazione casuale in due direzioni: riga e colonna in questo caso. dove ar1 () è una funzione speciale che specifica un modello di varianza autoregressivo del primo ordine per Row. Questa chiamata specifica una struttura spaziale bidimensionale per errore ma con correlazione spaziale solo nella direzione della riga. Il modello di varianza per Column è identità (id ()) ma non è necessario che sia specificato formalmente in quanto predefinito.
# modello 3: modello spaziale bidimensionale, struttura dell'errore in entrambe le direzioni
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)
simile al precedente modello 2, tuttavia la correlazione è bidirezionale - autoregressiva.
Non sono sicuro di quanti di questi modelli siano possibili con i pacchetti R open source. Anche se la soluzione di uno di questi modelli sarà di grande aiuto. Anche se il bouty di +50 può stimolare lo sviluppo di tale pacchetto sarà di grande aiuto!
Vedere MAYSaseen ha fornito output di ciascun modello e dati (come risposta) per il confronto.
Modifiche: Di seguito è riportato il suggerimento che ho ricevuto nel forum di discussione sui modelli misti: "Potresti esaminare i pacchetti regressivo e spaziale di David Clifford. Il primo consente di adattare modelli misti (gaussiani) in cui è possibile specificare la struttura della matrice di covarianza in modo molto flessibile (ad esempio, l'ho usato per i dati genealogici). Il pacchetto spatialCovariance utilizza regress per fornire modelli più elaborati di AR1xAR1, ma potrebbe essere applicabile. Potrebbe essere necessario corrispondere all'autore per applicarlo al problema esatto. "
corStructin nlme(per le correlazioni anisotropiche) ... Sarebbe di aiuto se tu potessi dichiarare brevemente (in parole o equazioni) i modelli statistici corrispondenti a queste affermazioni ASREML, poiché non tutti abbiamo familiarità con Sintassi ASREML ...
MCMCglmm, e sono abbastanza sicuro che (oltre a il spatialCovariancecitato, con cui non ho familiarità) l'unico modo per farlo in R è definire nuove corStructs - che è possibile, ma non banale.
lme4. Puoi (a) dirci perché devi farlolme4piuttosto cheasreml-R(b) prendere in considerazione la possibilità di pubblicare post inr-sig-mixed-modelscui vi sono competenze più rilevanti?