R语言建立和可视化混合效应模型mixed effect model
最近我们被客户要求撰写关于混合效应模型的研究报告,包括一些图形和统计输出。
我们已经学习了如何处理混合效应模型。本文的重点是如何建立和可视化 混合效应模型的结果。
相关视频:线性混合效应模型(LMM,Linear Mixed Models)和R语言实现
线性混合效应模型(LMM,Linear Mixed Models)和R语言实现案例
时长12:13
设置
本文使用数据集,用于探索草食动物种群对珊瑚覆盖的影响。
knitr::opts_chunk$set(echo = TRUE)library(tidyverse) # 数据处理
library(lme4) # lmer glmer 模型me_data <- read_csv("mixede.csv")
创建一个基本的混合效应模型:
该模型以珊瑚覆盖层为因变量(elkhorn_LAI),草食动物种群和深度为固定效应(c。 urchinden,c.fishmass,c.maxD)和调查地点作为随机效应(地点)。
。
注意:由于食草动物种群的测量规模存在差异,因此我们使用标准化的值,否则模型将无法收敛。我们还使用了因变量的对数。我正在根据这项特定研究对数据进行分组。
summary(mod)
## Linear mixed model fit by maximum likelihood ['lmerMod']##
## AIC BIC logLik deviance df.resid
## 116.3 125.1 -52.1 104.3 26
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -1.7501 -0.6725 -0.1219 0.6223 1.7882
##
## Random effects:
## Groups Name Variance Std.Dev.
## site (Intercept) 0.000 0.000
## Residual 1.522 1.234
## Number of obs: 32, groups: site, 9
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 10.1272 0.2670 37.929
## c.urchinden 0.5414 0.2303 2.351
## c.fishmass 0.4624 0.4090 1.130
## c.maxD 0.3989 0.4286 0.931
##
## Correlation of Fixed Effects:
## (Intr) c.rchn c.fshm
## c.urchinden 0.036
## c.fishmass -0.193 0.020
## c.maxD 0.511 0.491 -0.431
## convergence code: 0
## boundary (singular) fit: see ?isSingular
绘制效应大小图:
如果您有很多固定效应,这很有用。
plot(mod)
效应大小的格式化图:
让我们更改轴标签和标题。
# 注意:轴标签应按从下到上的顺序排列。
# 要查看效应大小和p值,设置show.values和show.p= TRUE。只有当效应大小的值过大时,才会显示P值。title="草食动物对珊瑚覆盖的影响")
模型结果表输出:
创建模型摘要输出表。这将提供预测变量,包括其估计值,置信区间,估计值的p值以及随机效应信息。
tab(mod)
格式化表格
# 注:预测标签(pred.labs)应从上到下排列;dv.labs位于表格顶部的因变量的名称。pred.labels =c("(Intercept)", "Urchins", "Fish", "Depth"),
用数据绘制模型估计
我们可以在实际数据上绘制模型估计值!我们一次只针对一个变量执行此操作。注意:数据已标准化以便在模型中使用,因此我们绘制的是标准化数据值,而不是原始数据
步骤1:将效应大小估算值保存到data.frame中
# 使用函数。 term=固定效应,mod=你的模型。effect(term= "c.urchinden", mod= mod)
summary(effects) #值的输出
##
## c.urchinden effect
## c.urchinden
## -0.7 0.4 2 3 4
## 9.53159 10.12715 10.99342 11.53484 12.07626
##
## Lower 95 Percent Confidence Limits
## c.urchinden
## -0.7 0.4 2 3 4
## 8.857169 9.680160 10.104459 10.216537 10.306881
##
## Upper 95 Percent Confidence Limits
## c.urchinden
## -0.7 0.4 2 3 4
## 10.20601 10.57414 11.88238 12.85314 13.84563
# 将效应值另存为df:
x <- as.data.frame(effects)
步骤2:使用效应值df绘制估算值
如果要保存基本图(仅固定效应和因变量数据),可以将其分解为单独的步骤。注意:对于该图,我正在基于此特定研究对数据进行分组。
#基本步骤:#1创建空图#2 从数据中添加geom_points()#3 为模型估计添加geom_point。我们改变颜色,使它们与数据区分开来#4 为MODEL的估计值添加geom_line。改变颜色以配合估计点。#5 添加具有模型估计置信区间的geom_ribbon#6 根据需要编辑标签!#1
chin_plot <- ggplot() + #2
geom_point(data , + #3geom_point(data=x_, aes(x= chinde, y=fit), color="blue") +#4geom_line(data=x, aes(x= chinde, y=fit), color="blue") +#5geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") +#6labs(x="海胆(标准化)", y="珊瑚覆盖层")chin_plot
R语言建立和可视化混合效应模型mixed effect model相关推荐
- R语言caret包构建机器学习回归模型(regression model)、使用DALEX包进行模型解释分析、特征重要度、偏依赖分析等
R语言caret包构建机器学习回归模型(regression model).使用DALEX包进行模型解释分析.特征重要度.偏依赖分析等 目录
- 基于R语言混合效应模型(mixed model)案例研究
全文链接: http://tecdat.cn/?p=2596 在本文中,我们描述了灵活的竞争风险回归模型.回归模型被指定为转移概率,也就是竞争性风险设置中的累积发生率(点击文末"阅读原文&q ...
- 如何用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
全文下载链接:http://tecdat.cn/?p=24647 线性混合模型假设 N 个受试者的群体是同质的,并且在群体水平上由独特的曲线 Xi(t)β 描述(点击文末"阅读原文" ...
- R语言线性混合效应模型(固定效应随机效应)和交互可视化3案例
最近我们被客户要求撰写关于线性混合效应模型的研究报告,包括一些图形和统计输出. 视频:线性混合效应模型(LMM,Linear Mixed Models)和R语言实现案例 线性混合效应模型(LMM,Li ...
- r语言svr模型_使用R语言建立一个决策树回归模型
决策树是一种简单但使用广泛的分类算法,根据目标变量的类型,决策树分为分类决策树(目标变量为因子型)与回归决策树(目标变量为连续数值型).在这里,我们使用R建议一个回归决策树模型. 决策树简单介绍 对于 ...
- 统计语言类教程:R语言贝叶斯统计学、Copula、SEM、极值统计学、混合效应模型、R\Python\matlab机器学习、科研数据可视化、线性回归、分位数回归、GAMS、meta分析、近红外光谱等.
查看原文>>>统计语言类教程:贝叶斯统计学.Copula.SEM.极值统计学.混合效应模型.PyTorch深度学习.科研数据可视化 以下给大家整理了一些常用的统计学内容和python ...
- R语言潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
最近我们被客户要求撰写关于混合效应模型的研究报告,包括一些图形和统计输出. 背景和定义 线性混合模型假设 N 个受试者的群体是同质的,并且在群体水平上由独特的曲线 Xi(t)β 描述.相比之下,潜在类 ...
- R语言线性混合效应模型不同类型的比较
在R语言中,可以使用lme4包中的lmer函数进行线性混合效应模型的分析.在分析不同类型的线性混合效应模型时,我们可以在模型公式中通过更改因变量.自变量.随机效应等参数来创建不同的模型. 下面是一个简 ...
- R语言使用rpart包构建决策树模型、使用prune函数进行树的剪枝、交叉验证预防过拟合、plotcp可视化复杂度、rpart.plot包可视化决策树、使用table函数计算混淆矩阵评估分类模型性能
R语言使用rpart包构建决策树模型.使用prune函数进行树的剪枝.使用10折交叉验证选择预测误差最低的树来预防过拟合.plotcp可视化决策树复杂度.rpart.plot包可视化最终决策树.使用t ...
最新文章
- Spring – ${} is not working in @Value--转载
- vs2008 error LNK2019: 无法解析的外部符号总结
- 宇宙总统pascal程序
- 无监督学习 k-means_无监督学习-第3部分
- win1编辑java环境,在win7下配置java编译环境
- Easy Math(ACM-ICPC 2018 徐州赛区网络预赛)(递归 + 杜教筛)
- facebook移动端框架_2016年所有顶级移动应用均归Google或Facebook所有
- hdu 3473 Minimum Sum 划分树
- python批量上传执行脚本_python 写的批量操作远程主机脚本(命令执行,上传、下载文件)...
- ubuntu 20.04 源码编译 cmake
- 一文带你了解Java编程语言的前世今生 | Java核心知识点整理
- 制作课件需要哪些软件
- C语言字符与数字的互转
- 移动宽带断网 服务器没有响应,移动宽带卡终于解决了(移动宽带间歇性断网)...
- 微型计算机的拼音,微型计算机拼音
- java中编写一个三角形类,java 三角形类Triangle java 三角形类 Triangle的用法详解
- webpack常用基础配置的一些总结
- python中def fun()是什么意思_python学习函数
- STM32CubeMx-SPI读写W25QXXX
- 运维开发团队技能与效率提速利器:运维+低代码