R語言用Rshiny探索廣義線性混合模型(GLMM)和線性混合模型(LMM)數(shù)據(jù)分析報(bào)告(附代碼數(shù)據(jù))

有問題百度搜索“1石屛丸訂居”就可以了歡迎登陸官網(wǎng)：/datablogR語言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）數(shù)據(jù)分析報(bào)告隨著lme4軟件包的改進(jìn)，使用廣義線性混合模型（GLMM）和線性混合模型（LMM）的工作變得越來越容易。當(dāng)我們發(fā)現(xiàn)自己在工作中越來越多地使用這些模型時(shí)，我們（作者）開發(fā)了一套工具，用于簡化和加快與的merMod對象進(jìn)行交互的常見任務(wù)Ime4。該軟件包提供了那些工具。安裝developmentversionlibrary（devtools）install_github（"jknowles/merTools"）CRANversion--comingsooninstall.packages("merTools")有問題百度搜索“°石踹丸訂居”就可以了歡迎登陸官網(wǎng)：/datablogRshiny 的應(yīng)用程序和演示演示此應(yīng)用程序功能的最簡單方法是使用捆綁的Shiny應(yīng)用程序，該應(yīng)用程序會(huì)在此處啟動(dòng)許多指標(biāo)以幫助探索模型。去做這個(gè)：devtools::install_github("jknowles/merTools")library(merTools)m1<-lmer(y~service+lectage+studage+(1|d)+(1|s),data=InstEval)shinyMer(m1,simData=InstEval[1:100,])#justtrythefirst100rowsofdata在第一個(gè)選項(xiàng)卡上，該功能提供了用戶選擇的數(shù)據(jù)的預(yù)測間隔，這些預(yù)測間隔是使用predictInterval包中的功能計(jì)算得出的。通過從固定效應(yīng)和隨機(jī)效應(yīng)項(xiàng)的模擬分布中進(jìn)行采有問題百度搜索“1石屛77二摳”就可以了歡迎登陸官網(wǎng)：/datablog樣，并將這些模擬估計(jì)值組合起來，可以為每個(gè)觀測值生成預(yù)測分布，從而快速計(jì)算出預(yù)測間隔。這允許從非常大的模型中生成預(yù)測間隔，bootMer而在計(jì)算上將無法使用。it掃nd胖旳Lr在下一個(gè)選項(xiàng)卡上,在置信區(qū)間圖上顯示固定效應(yīng)和組級效應(yīng)的分布。這些對于診斷很有用,并提供了一種檢查各種參數(shù)的相對大小的方法。這個(gè)標(biāo)簽使得使用的四個(gè)相關(guān)功能merTools：FEsim,plotFEsim,REsim和plotREsim它們可將自己的使用。有問題百度搜索“'石端去貯居”就可以了歡迎登陸官網(wǎng)：/datablogExpkjiyyuurm日「MudExpkjiyyuurm日「Mud11■伯日ly4“Friin■*-*＜測IFn^tncdimpsd在第三個(gè)選項(xiàng)卡上，有一些方便的方法可以利用的力量來顯示影響或影響的大小predictInterval。對于每種情況，最多為12種，在選定的數(shù)據(jù)類型中，用戶可以查看更改固定效果之一或分組級別項(xiàng)之一的影響。使用該REimpact函數(shù)，如果所有其他條件保持相等，則使用模型的預(yù)測對每種情況進(jìn)行模擬，但是觀察將通過固定效應(yīng)或隨機(jī)效應(yīng)項(xiàng)的分布進(jìn)行。這是根據(jù)因變量的比例繪制的，它使用戶可以比較跨變量以及相同數(shù)據(jù)的模型之間的影響幅度。預(yù)測標(biāo)準(zhǔn)預(yù)測看起來像這樣。

有問題百度搜索“1石屛丸訂居”就可以了歡迎登陸官網(wǎng)：/datablogpredict(m1,newdata=InstEval[1:10,])#> 12345678#>3.1463363.1652113.3984993.1142483.3206863.2526704.1808963.845218#> 9 10#>3.7793363.331012通過predictInterval我們獲得的預(yù)測更像由lm和產(chǎn)生的標(biāo)準(zhǔn)對象glm：#predictInterval(m1,newdata=InstEval[1:10,])#allotherparametersareoptionalpredictInterval(m1,newdata=InstEval[1:10,],n.sims=500,level=0.9,stat='median')#>fitlwrupr#>13.0741481.1122554.903116#>23.2435871.2717255.200187#>33.5290551.4093725.304214#>43.0727881.0799445.142912#>53.3955981.2681695.327549#>fitlwrupr#>13.0741481.1122554.903116#>23.2435871.2717255.200187#>33.5290551.4093725.304214#>43.0727881.0799445.142912#>53.3955981.2681695.327549歡迎登陸官網(wǎng)：/datablog#>63.2620921.3337135.304931#>74.2153712.1366546.078790#>83.8163991.8600715.769248#>93.8110901.6971615.775237#>103.3376851.4173225.341484請注意，predictInterval速度較慢，因?yàn)樗窃谟?jì)算模擬。它還可以將所有模擬yhat值作為屬性返回給預(yù)測對象本身。predictInterval大量使用軟件包中的sim函數(shù)arm來繪制模型參數(shù)的分布。然后，將這些模擬值組合起來以創(chuàng)建yhat每個(gè)觀測值的分布。繪圖merTools還提供了merMod視覺檢查對象的功能。最簡單的方法是獲得固定和隨機(jī)效應(yīng)參數(shù)的后驗(yàn)分布。feSims<-FEsim(m1,n.sims=100)head(feSims)有問題百度搜索“1石屛丸訂居”就可以了歡迎登陸官網(wǎng)：/datablog#> term mean median sd#>1(Intercept)3.226735243.227931680.01798444#>2service1-0.07331857-0.074823900.01304097#>3 lectage丄-0.18419526-0.184517310.01726253#>4lectage.Q0.022877170.021871720.01328641#>5lectage.C-0.02282755-0.021170140.01324410#>6 lectageA4-0.01940499-0.020410360.01196718我們還可以繪制以下內(nèi)容:plotFEsim(FEsim(m1,n.sims=100),level=0.9,stat='median',intercept=FALSE)有問題百度搜索“1石屛丸訂居”就可以了歡迎登陸官網(wǎng)：/datablog我們還可以根據(jù)隨機(jī)效應(yīng)條件快速繪制履帶圖：reSims<-REsim(m1,n.sims=100)head(reSims)#>groupFctrgroupID term mean median sd#>1 s1(Intercept)0.153173160.116656540.3255914#>22(Intercept)-0.08744824-0.039644930.2940082

有問題百度搜索“匚石踹”就可以了#>2歡迎登陸官網(wǎng)：/datablog#>3s3(Intercept)0.290631260.300654500.2882751#>4s4(Intercept)0.261765150.264285220.2972536#>5s5(Intercept)0.060694580.065189770.3105805#>6s6(Intercept)0.080553090.058724260.2182059plotREsim(REsim(m1,n.sims=100),stat='median',sd=TRUE)oUEiLIratrQo>匕山GroupEffectRangesoUEiLIratrQo>匕山GroupEffectRanges請注意，plotREsim具有模擬分布且不與0重疊的突出顯示的組級別-顯得較暗。較亮的條表示在數(shù)據(jù)中不能與0區(qū)分的分組級別。歡迎登陸官網(wǎng)：/datablog有時(shí)，隨機(jī)效應(yīng)可能難以解釋，并且并非所有效應(yīng)都有意義地不同于零。為了merTools提供幫助，該expectedRank功能提供了隨機(jī)效應(yīng)分布中觀察組的百分等級，同時(shí)考慮了每個(gè)組的估計(jì)效應(yīng)的大小和不確定性。ranks<-expectedRank(m1,groupFctr="d")head(ranks)#>d(Intercept)(Intercept)_var ERpctER#>118661.25536130.0127556341123.806100#>212581.16748520.0342912281115.76699#>32401.09333720.0087612181115.09099#>4791.09986530.0230959791112.31599#>56761.01690700.0265621741101.55398#>6660.95686070.0086028231098.04997效果模擬仍然很難解釋LMM和GLMM模型的結(jié)果，尤其是各種參數(shù)對預(yù)測結(jié)果的相對影響。這是其中REimpact和wiggle功能merTools可以方便使用的地方。有問題百度搜索“1石屛丸訂居”就可以了歡迎登陸官網(wǎng)：/datablogimpSim<-REimpact(m1,InstEval[7,],groupFctr="d",breaks=5,n.sims=300,level=0.9)impSim#>casebinAvgFit AvgFitSEnobs#>1112.7870332.801368e-04193#>2123.2605655.389196e-05240#>3133.5611375.976653e-05254#>4143.8409416.266748e-05265#>5154.2353761.881360e-04176的結(jié)果REimpact顯示了根據(jù)群因子系數(shù)的大