@ungung Pertanyaannya tidak sesuai dengan aturan situs. OP harus memuat latar belakang tentang apa yang ingin mereka lakukan. Namun, saya pikir mereka meminta perbedaan dalam sintaksis antara "/" dan "|". Mungkin judul posting harus mencerminkan hal itu. Apakah itu pertanyaan yang valid?
Saya tidak berpikir pertanyaan terkait adalah duplikat yang tepat ... itu berbicara (1|a/b), tetapi tidak untuk perbedaan antara (1|a/b)dan (b|a)...
Ben Bolker
Jawaban:
14
Jika Anda memiliki dua faktor kategorikalf dan g, kemudian (1|f/g)berkembang menjadi (1|f) + (1|f:g), yaitu variasi intersep (yaitu 1di sisi kiri bilah) di antara level fdan di antara level f:g(interaksi antara fdan g). Ini juga disebut sebagai efek acak gbersarang di dalamf (urutan penting di sini). Ini adalah cara tradisional untuk menggabungkan dua faktor acak dalam model ANOVA klasik, karena dalam kerangka itu efek acak harus disarangkan (yaitu apakah fbersarang di dalam gatau gdisarangkan dengan f). (Lihat http://glmm.wikidot.com/faquntuk informasi lebih lanjut tentang faktor bersarang.) Model ini memperkirakan dua parameter, yaitu dan , tidak peduli berapa banyak level yang dimiliki masing-masing variabel kategori. Ini akan menjadi model khas untuk desain bersarang .σ2fσ2f: g
Sebaliknya, (f|g)menetapkan bahwa efek dari fberbeda-beda di tingkat g: misalnya, jika fadalah dua tingkat kategoris variabel dengan tingkat "kontrol" dan "pengobatan", maka model ini menentukan bahwa kita sehingga kedua mencegat (respon kontrol) dan efek pengobatan (perbedaan antara kontrol dan tanggapan pengobatan) bervariasi di semua tingkatan g. Setiap efek memiliki variansnya sendiri, dan secara default lme4cocok dengan kovarian di antara masing-masing parameter. Model ini akan memperkirakan parameter , , dan , di mana yang terakhir merujuk pada kovarians antara efek kontrol dan perawatan. Jika memilikiσ2g, cσ2g, tσg, c ⋅ tfn level, model ini memperkirakan parameter; itu paling tepat untuk desain acak-blok di mana setiap perawatan diulangi di setiap blok.n ( n + 1 ) / 2
Jika fmemiliki banyak tingkatan, (f|g)spesifikasi model yang terakhir ) dapat menyiratkan model dengan banyak parameter; ada perdebatan yang sedang berlangsung (lihat misalnya makalah ArXiv ini ) tentang cara terbaik untuk menangani situasi ini.
Jika bukan kita mempertimbangkan (x|g)mana xadalah terus menerus (numerik) variabel masukan, maka istilah menentukan model random-lereng; intersep (secara implisit) dan kemiringan berkenaan dengan xkeduanya bervariasi antar level g(istilah kovarians juga cocok).
Dalam hal ini, (g|x)tidak masuk akal - istilah di sisi kanan bilah adalah variabel pengelompokan , dan selalu ditafsirkan sebagai kategorikal. Satu-satunya kasus di mana itu bisa masuk akal adalah dalam desain xyang kontinu, tetapi beberapa pengamatan dilakukan pada setiap tingkat, dan di mana Anda ingin memperlakukan xsebagai variabel kategori untuk keperluan pemodelan.
(1|a/b), tetapi tidak untuk perbedaan antara(1|a/b)dan(b|a)...Jawaban:
Jika Anda memiliki dua faktor kategorikalσ2f σ2f: g
fdang, kemudian(1|f/g)berkembang menjadi(1|f) + (1|f:g), yaitu variasi intersep (yaitu1di sisi kiri bilah) di antara levelfdan di antara levelf:g(interaksi antarafdang). Ini juga disebut sebagai efek acakgbersarang di dalamf(urutan penting di sini). Ini adalah cara tradisional untuk menggabungkan dua faktor acak dalam model ANOVA klasik, karena dalam kerangka itu efek acak harus disarangkan (yaitu apakahfbersarang di dalamgataugdisarangkan denganf). (Lihat http://glmm.wikidot.com/faquntuk informasi lebih lanjut tentang faktor bersarang.) Model ini memperkirakan dua parameter, yaitu dan , tidak peduli berapa banyak level yang dimiliki masing-masing variabel kategori. Ini akan menjadi model khas untuk desain bersarang .Sebaliknya,σ2g, c σ2g, t σg, c ⋅ t f n level, model ini memperkirakan parameter; itu paling tepat untuk desain acak-blok di mana setiap perawatan diulangi di setiap blok.n ( n + 1 ) / 2
(f|g)menetapkan bahwa efek darifberbeda-beda di tingkatg: misalnya, jikafadalah dua tingkat kategoris variabel dengan tingkat "kontrol" dan "pengobatan", maka model ini menentukan bahwa kita sehingga kedua mencegat (respon kontrol) dan efek pengobatan (perbedaan antara kontrol dan tanggapan pengobatan) bervariasi di semua tingkatang. Setiap efek memiliki variansnya sendiri, dan secara defaultlme4cocok dengan kovarian di antara masing-masing parameter. Model ini akan memperkirakan parameter , , dan , di mana yang terakhir merujuk pada kovarians antara efek kontrol dan perawatan. Jika memilikiJika
fmemiliki banyak tingkatan,(f|g)spesifikasi model yang terakhir ) dapat menyiratkan model dengan banyak parameter; ada perdebatan yang sedang berlangsung (lihat misalnya makalah ArXiv ini ) tentang cara terbaik untuk menangani situasi ini.Jika bukan kita mempertimbangkan
(x|g)manaxadalah terus menerus (numerik) variabel masukan, maka istilah menentukan model random-lereng; intersep (secara implisit) dan kemiringan berkenaan denganxkeduanya bervariasi antar levelg(istilah kovarians juga cocok).Dalam hal ini,
(g|x)tidak masuk akal - istilah di sisi kanan bilah adalah variabel pengelompokan , dan selalu ditafsirkan sebagai kategorikal. Satu-satunya kasus di mana itu bisa masuk akal adalah dalam desainxyang kontinu, tetapi beberapa pengamatan dilakukan pada setiap tingkat, dan di mana Anda ingin memperlakukanxsebagai variabel kategori untuk keperluan pemodelan.sumber