# 基于R语言混合效应模型（mixed model）案例研究-1

## 1.混合模型是否适合您的需求？

str(data)
## 'data.frame':    84 obs. of  6 variables:
##  $Test.ID : int 1 2 3 4 5 6 7 8 9 10 ... ##$ Observer  : Factor w/ 4 levels "Charles","Michelle",..: 1 4 2 4 1 3 2 2 1 2 ...
##  $Relation : Factor w/ 2 levels "Same","Stranger": 1 1 1 1 1 1 1 1 1 1 ... ##$ Aggression: int  4 1 15 2 1 0 2 0 3 10 ...
##  $Tolerance : int 4 34 14 31 4 13 7 6 13 15 ... ##$ Season    : Factor w/ 2 levels "Early","Late": 1 1 1 1 1 1 1 1 1 1 ...

# 2.哪种概率分布最适合您的数据？

require(car)
## 正在加载所需的包: car
require(MASS)
# 必须为非零的分布
qqp(Aggression, "norm")

# lnorm 表示对数正态
qqp(Aggression, "lnorm")

# qqp需要估计负二项式，泊松和伽玛分布的参数。您可以使用fitdistr函数生成估算值。保存输出并提取每个参数的估计值，如下所示。
fitdistr(rAggression, "Negative Binomial")

qqp(Aggressio, "pois", estimate)

fitdistr(Aggression.t, "gamma")

# 3.如何将混合模型拟合到您的数据

## 3a.如果您的数据是正态分布的

str(starlings)
## 'data.frame':    28 obs. of  5 variables:
##  $Individual : Factor w/ 28 levels "B-40917","B-41205",..: 4 5 6 15 3 16 8 13 20 14 ... ##$ Sex        : Factor w/ 2 levels "F","M": 2 2 2 2 2 1 1 1 1 2 ...
##  $Group : Factor w/ 5 levels "DRT1","MRC1",..: 2 5 5 4 4 4 4 4 4 4 ... ##$ Social.Rank: Factor w/ 2 levels "Breeder","Helper": 2 1 1 1 2 2 2 2 1 2 ...
##  \$ Mean.Pitch : num  2911 2978 3313 3268 3312 ...
summary(lmm)
## Linear mixed model fit by maximum likelihood  $'lmerMod'$
## Formula: Mean.Pitch ~ Sex + Social.Rank + (1 | Group)
##    Data: starlings
##
##      AIC      BIC   logLik deviance df.resid
##    389.3    396.0   -189.7    379.3       23
##
## Scaled residuals:
##     Min      1Q  Median      3Q     Max
## -2.0559 -0.6272  0.0402  0.5801  2.0110
##
## Random effects:
##  Groups   Name        Variance Std.Dev.
##  Group    (Intercept)     0      0
##  Residual             44804    212
## Number of obs: 28, groups: Group, 5
##
## Fixed effects:
##                   Estimate Std. Error t value
## (Intercept)         3099.0       82.2    37.7
## SexM                  51.7       81.3     0.6
## Social.RankHelper    -45.0       82.4    -0.5
##
## Correlation of Fixed Effects:
##             (Intr) SexM
## SexM        -0.630
## Scl.RnkHlpr -0.668  0.106

## Analysis of Deviance Table (Type II Wald chisquare tests)
##
## Response: Mean.Pitch
##             Chisq Df Pr(>Chisq)
## Sex           0.4  1       0.52
## Social.Rank   0.3  1       0.58

Anova函数进行了Wald检验，该检验告诉我们我们对性别和社会地位对音高的影响的估计p值。

anova(noranklmm, nosexlmm, nofixedlmm)
## Data: starlings
## Models:
## nofixedlmm: Mean.Pitch ~ 1 + (1 | Group)
## noranklmm: Mean.Pitch ~ Sex + (1 | Group)
## nosexlmm: Mean.Pitch ~ Social.Rank + (1 | Group)
##            Df AIC BIC logLik deviance Chisq Chi Df Pr(>Chisq)
## nofixedlmm  3 386 390   -190      380
## noranklmm   4 388 393   -190      380  0.48      1       0.49
## nosexlmm    4 388 393   -190      380  0.00      0       1.00

https://developer.aliyun.com/article/1489318

|
1月前
【R语言实战】——带有新息为标准学生t分布的金融时序的GARCH模型拟合预测
【R语言实战】——带有新息为标准学生t分布的金融时序的GARCH模型拟合预测
30 1
|
1月前
【R语言实战】——带有高斯新息的金融时序的GARCH模型拟合预测及VAR/ES风险度量
【R语言实战】——带有高斯新息的金融时序的GARCH模型拟合预测及VAR/ES风险度量
40 2
|
1月前
|

R语言逻辑回归logistic模型ROC曲线可视化分析2例：麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例：麻醉剂用量影响、汽车购买行为
48 2
|
1月前
【R语言实战】——Logistic回归模型
【R语言实战】——Logistic回归模型
35 1
|
1月前
|

R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码
57 1
|
1月前
|

45 0
|
1月前
|

R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码2
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
35 2
|
1月前
|

R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码1
R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码
38 2
|
1月前
|

R语言广义线性混合模型（GLMM）bootstrap预测置信区间可视化
R语言广义线性混合模型（GLMM）bootstrap预测置信区间可视化
35 1
|
1月前
|

R语言混合SVD模型IBCF协同过滤推荐算法研究——以母婴购物平台为例
R语言混合SVD模型IBCF协同过滤推荐算法研究——以母婴购物平台为例
33 2