拓端數據tecdat|R語言建立和可視化混合效應模型mixed effect model

原文鏈接：http://tecdat.cn/?p=20631 

 

我們已經學習了如何處理混合效應模型。本文的重點是如何建立和可視化 混合效應模型的結果。

設置

本文使用數據集，用於探索草食動物種群對珊瑚覆蓋的影響。

1.  
   knitr::opts_chunk$set(echo = TRUE)
2.  
    
3.  
   library(tidyverse) # 數據處理
4.  
   library(lme4) # lmer glmer 模型
5.  
    
6.  
    
7.  
    
8.  
   me_data <- read_csv("mixede.csv")

創建一個基本的混合效應模型：

該模型以珊瑚覆蓋層為因變量（elkhorn_LAI），草食動物種群和深度為固定效應（c。 urchinden，c.fishmass，c.maxD）和調查地點作為隨機效應（地點）。
。
注意：由於食草動物種群的測量規模存在差異，因此我們使用標准化的值，否則模型將無法收斂。我們還使用了因變量的對數。我正在根據這項特定研究對數據進行分組。

summary(mod)

1.  
   ## Linear mixed model fit by maximum likelihood ['lmerMod']
2.  
    
3.  
   ##
4.  
   ## AIC BIC logLik deviance df.resid
5.  
   ## 116.3 125.1 -52.1 104.3 26
6.  
   ##
7.  
   ## Scaled residuals:
8.  
   ## Min 1Q Median 3Q Max
9.  
   ## -1.7501 -0.6725 -0.1219 0.6223 1.7882
10.  
    ##
11.  
    ## Random effects:
12.  
    ## Groups Name Variance Std.Dev.
13.  
    ## site (Intercept) 0.000 0.000
14.  
    ## Residual 1.522 1.234
15.  
    ## Number of obs: 32, groups: site, 9
16.  
    ##
17.  
    ## Fixed effects:
18.  
    ## Estimate Std. Error t value
19.  
    ## (Intercept) 10.1272 0.2670 37.929
20.  
    ## c.urchinden 0.5414 0.2303 2.351
21.  
    ## c.fishmass 0.4624 0.4090 1.130
22.  
    ## c.maxD 0.3989 0.4286 0.931
23.  
    ##
24.  
    ## Correlation of Fixed Effects:
25.  
    ## (Intr) c.rchn c.fshm
26.  
    ## c.urchinden 0.036
27.  
    ## c.fishmass -0.193 0.020
28.  
    ## c.maxD 0.511 0.491 -0.431
29.  
    ## convergence code: 0
30.  
    ## boundary (singular) fit: see ?isSingular

繪制效應大小圖：

如果您有很多固定效應，這很有用。

 

plot(mod)

效應大小的格式化圖：

讓我們更改軸標簽和標題。

1.  
   # 注意：軸標簽應按從下到上的順序排列。
2.  
   # 要查看效應大小和p值，設置show.values和show.p= TRUE。只有當效應大小的值過大時，才會顯示P值。
3.  
   title="草食動物對珊瑚覆蓋的影響")

模型結果表輸出：

創建模型摘要輸出表。這將提供預測變量，包括其估計值，置信區間，估計值的p值以及隨機效應信息。

 

 tab(mod)

格式化表格

1.  
   # 注：預測標簽（pred.labs）應從上到下排列；dv.labs位於表格頂部的因變量的名稱。
2.  
    
3.  
    
4.  
   pred.labels =c("(Intercept)", "Urchins", "Fish", "Depth"),

 

 

用數據繪制模型估計

我們可以在實際數據上繪制模型估計值！我們一次只針對一個變量執行此操作。注意：數據已標准化以便在模型中使用，因此我們繪制的是標准化數據值，而不是原始數據

步驟1：將效應大小估算值保存到data.frame中

1.  
   # 使用函數。 term=固定效應，mod=你的模型。
2.  
    
3.  
   effect(term= "c.urchinden", mod= mod)
4.  
   summary(effects) #值的輸出

1.  
   ##
2.  
   ## c.urchinden effect
3.  
   ## c.urchinden
4.  
   ## -0.7 0.4 2 3 4
5.  
   ## 9.53159 10.12715 10.99342 11.53484 12.07626
6.  
   ##
7.  
   ## Lower 95 Percent Confidence Limits
8.  
   ## c.urchinden
9.  
   ## -0.7 0.4 2 3 4
10.  
    ## 8.857169 9.680160 10.104459 10.216537 10.306881
11.  
    ##
12.  
    ## Upper 95 Percent Confidence Limits
13.  
    ## c.urchinden
14.  
    ## -0.7 0.4 2 3 4
15.  
    ## 10.20601 10.57414 11.88238 12.85314 13.84563

1.  
   # 將效應值另存為df：
2.  
   x <- as.data.frame(effects)

步驟2：使用效應值df繪制估算值

如果要保存基本圖（僅固定效應和因變量數據），可以將其分解為單獨的步驟。注意：對於該圖，我正在基於此特定研究對數據進行分組。

1.  
   ＃基本步驟：
2.  
   ＃1創建空圖
3.  
    
4.  
   #2 從數據中添加geom_points（）
5.  
    
6.  
   #3 為模型估計添加geom_point。我們改變顏色，使它們與數據區分開來
7.  
    
8.  
   #4 為MODEL的估計值添加geom_line。改變顏色以配合估計點。
9.  
    
10.  
    #5 添加具有模型估計置信區間的geom_ribbon
11.  
     
12.  
    #6 根據需要編輯標簽！
13.  
     
14.  
    #1
15.  
    chin_plot <- ggplot() +
16.  
    #2
17.  
    geom_point(data , +
18.  
    #3
19.  
    geom_point(data=x_, aes(x= chinde, y=fit), color="blue") +
20.  
    #4
21.  
    geom_line(data=x, aes(x= chinde, y=fit), color="blue") +
22.  
    #5
23.  
    geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") +
24.  
    #6
25.  
    labs(x="海膽（標准化）", y="珊瑚覆蓋層")
26.  
     
27.  
    chin_plot

---

最受歡迎的見解

1.基於R語言的lmer混合線性回歸模型

2.R語言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）

3.R語言線性混合效應模型實戰案例

4.R語言線性混合效應模型實戰案例2

5.R語言線性混合效應模型實戰案例

6.線性混合效應模型Linear Mixed-Effects Models的部分折疊Gibbs采樣

7.R語言LME4混合效應模型研究教師的受歡迎程度

8.R語言中基於混合數據抽樣(MIDAS)回歸的HAR-RV模型預測GDP增長

9.使用SAS，Stata，HLM，R，SPSS和Mplus的分層線性模型HLM