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 ...

R语言建立和可视化混合效应模型mixed effect model

相关视频：线性混合效应模型(LMM,Linear Mixed Models)和R语言实现

设置