爲主題的時間隨機斜率lme4

不工作我不能在這個模型lme4插入隨機斜率（1.1-7）：爲主題的時間隨機斜率lme4

> difJS<-lmer(JS~Tempo+(Tempo|id),dat,na.action=na.omit) 
Error: number of observations (=274) <= number of random effects (=278) for term 
(Tempo | id); the random-effects parameters and the residual variance (or scale 
parameter) are probably unidentifiable

隨着NLME它工作：

> JSprova<-lme(JS~Tempo,random=~1+Tempo|id,data=dat,na.action=na.omit) 
    > summary(JSprova) 
Linear mixed-effects model fit by REML Data: dat 
AIC  BIC logLik 
769.6847 791.3196 -378.8424 

Random effects: 
Formula: ~1 + Tempo | id 
Structure: General positive-definite, Log-Cholesky parametrization 
      StdDev Corr 
(Intercept) 1.1981593 (Intr) 
Tempo  0.5409468 -0.692 
Residual 0.5597984  

Fixed effects: JS ~ Tempo 
       Value Std.Error DF t-value p-value 
(Intercept) 4.116867 0.14789184 138 27.837013 0.0000 
Tempo  -0.207240 0.08227474 134 -2.518874 0.0129 
Correlation: 
     (Intr) 
Tempo -0.837 

Standardized Within-Group Residuals: 
     Min   Q1   Med   Q3   Max 
-2.79269550 -0.39879115 0.09688881 0.41525770 2.32111142 

Number of Observations: 274 
Number of Groups: 139

我認爲這是一個缺少數據的問題，因爲我有幾個案例，其中有兩個DV中缺少數據，但na.action=na.omit不應該這兩個包的行爲方式相同？

來源

2014-10-20 Andrea Gragnano

您使用的是什麼版本的lme4？是否運行：'sleepstudy $ Reaction [1:10] < - NA;（fm1 < - lmer（Reaction〜Days +（Days | Subject），sleepstudy））' – user20650 2014-10-20 12:22:02

是的，它正在工作。我在帖子中添加了lme4的版本。 – 2014-10-20 13:18:09

一旦我明白了這個問題，我發現這個討論非常有用：[每個級別有一個觀察的混合模型]（http://stats.stackexchange.com/q/65371/58940）。 – 2014-10-20 17:00:58

它與lme「工作」，但我99％確定您的隨機斜率確實與殘差變化混淆。問題在於，每個受試者只有兩次測量（或者每個受試者只有一次測量 - 在這種情況下這並不重要），因此每個個體隨機斜率加隨機截距爲每次觀察提供一個隨機效應。

如果您在lme擬合上嘗試intervals()，它會給您一個錯誤，說明方差 - 協方差矩陣是無法識別的。

您可以強制lmer通過禁用某些可識別性檢查（參見下文）來完成此操作。

library("lme4") 
library("nlme") 
library("plyr")

的數據限制每個個體只有兩點：

如果你願意，你可以強制lmer，以適應這種模式：

m2B <- lmer(Reaction~Days+(Days|Subject),data=sleepstudy0, 
     control=lmerControl(check.nobs.vs.nRE="ignore")) 
## warning messages

估計方差估計不同由lme估計，但這並不奇怪，因爲一些參數是不可識別的。

如果您只對固定效果的推論感興趣，那麼可能可以忽略這些問題，但我不會推薦它。

明智的做法是認識到斜坡之間的變化是無法識別的;有可能是斜坡之間的個體差異，但你不能用這個模型估計它。不要試圖;擬合一個隨機截距模型，並讓隱式/默認隨機誤差項處理斜率之間的變化。

有一個recent related question on CrossValidated;那裏我也提到another example。

來源

2014-10-20 12:37:44

感謝本，現在我明白了這一點。但現在做什麼更好？在我看來，使用具有不可靠估計的更精細的模型是沒有用的。我應該使用隨機攔截模型嗎？對於我所能理解的，這是一個很大的限制，因爲時間的變化可以，而且可能不同於主題。這不正確嗎？ – 2014-10-20 16:21:58

爲主題的時間隨機斜率lme4

回答

相關問題