Saya muat beberapa model efek campuran (terutama model longitudinal) menggunakan lme4
di R
tetapi ingin benar-benar menguasai model dan kode yang terjadi dengan mereka.
Namun, sebelum menyelam dengan kedua kaki (dan membeli beberapa buku) saya ingin memastikan bahwa saya belajar perpustakaan yang tepat. Saya telah menggunakan lme4
sampai sekarang karena saya baru saja menemukannya lebih mudah daripada nlme
, tetapi jika nlme
lebih baik untuk tujuan saya maka saya merasa saya harus menggunakannya.
Saya yakin tidak ada yang "lebih baik" dalam cara yang sederhana, tetapi saya akan menghargai beberapa pendapat atau pemikiran. Kriteria utama saya adalah:
- mudah digunakan (saya seorang psikolog dengan pelatihan, dan tidak terlalu berpengalaman dalam statistik atau pengkodean, tapi saya sedang belajar)
- fitur yang baik untuk pemasangan data longitudinal (jika ada perbedaan di sini- tapi inilah yang saya gunakan untuk itu)
- ringkasan grafis yang bagus (mudah diinterpretasikan), sekali lagi tidak yakin apakah ada perbedaan di sini tapi saya sering membuat grafik untuk orang yang bahkan kurang teknis daripada saya, jadi plot yang bagus selalu bagus (saya sangat menyukai fungsi xyplot di kisi () untuk alasan ini).
Seperti biasa, harap pertanyaan ini tidak terlalu kabur, dan terima kasih sebelumnya atas kebijaksanaannya!
sumber
lme4
Anda dapat menentukan struktur kovarians diagonal (yaitu, efek acak independen) atau matriks kovarians tidak terstruktur (yaitu semua korelasi harus diperkirakan) atau matriks kovarians parsial diagonal, sebagian tidak terstruktur untuk efek acak. Saya juga menambahkan perbedaan ketiga dalam kemampuan yang mungkin lebih relevan untuk banyak situasi data longitudinal:nlme
mari kita tentukan struktur varians-kovarians untuk residu (yaitu autokorelasi spasial atau temporal atau heteroskedastisitas),lme4
tidak.lme4
memungkinkan untuk memilih struktur VC yang berbeda. Akan lebih baik jika Anda menambahkannya dalam respons Anda sendiri, bersama dengan gagasan lain yang mungkin Anda miliki. Saya akan terharu. BTW, saya juga menyadari bahwalmList()
tersedialme4
juga. Sepertinya saya ingat beberapa diskusi tentang itu di R-sig-ME.Seperti yang ditunjukkan oleh chl, perbedaan utama adalah struktur varians-kovarians apa yang dapat Anda tentukan untuk efek acak. Di dalam
lme4
Anda dapat menentukan:~ (1 | group)+ (0 + x1 | group) + (0 + x2 | group)
)~ (1 + x1 + x2 | group)
)y ~ (1 + x1 | group) + (0 + x2 | group)
mana Anda akan memperkirakan korelasi antara intersepsi acak dan kemiringan acak untukx1
, tetapi tidak ada korelasi antara kemiringan acak untukx2
dan intersep acak dan antara kemiringan acak untukx2
dan kemiringan acak untukx1
).nlme
menawarkan kelas yang lebih luas dari struktur kovarian untuk efek acak. Pengalaman saya adalah bahwa fleksibilitaslme4
cukup untuk sebagian besar aplikasi.Saya juga akan menambahkan perbedaan ketiga dalam kemampuan yang mungkin lebih relevan untuk banyak situasi data longitudinal:
nlme
mari Anda tentukan struktur varians-kovarians untuk residual (yaitu autokorelasi spasial atau temporal atau heteroskedastisitas atau variabilitas dependen kovariat) dalamweights
argumen (cf?varFunc
), sementaralme4
hanya memungkinkan bobot tetap sebelumnya untuk pengamatan.Perbedaan keempat adalah sulit untuk
nlme
menyesuaikan (secara parsial) efek acak yang dilewati, sementara itu tidak menjadi masalahlme4
.Anda mungkin akan baik-baik saja jika bertahan
lme4
.sumber
Yang lain telah merangkum perbedaan dengan sangat baik. Kesan saya adalah yang
lme4
lebih cocok untuk kumpulan data yang dikelompokkan terutama ketika Anda perlu menggunakan efek acak silang. Namun, untuk desain tindakan berulang (termasuk banyak desain longitudinal),nlme
adalah alat karena hanyanlme
mendukung menentukan struktur korelasi untuk residu. Anda melakukannya menggunakan argumencorrelations
ataucor
dengancorStruct
objek. Ini juga memungkinkan Anda untuk memodelkan heteroskedastisitas menggunakanvarFunc
objek.sumber
Sebenarnya ada sejumlah paket dalam R untuk pas model efek campuran luar
lme4
dannlme
. Ada wiki yang dijalankan oleh grup minat khusus R untuk model campuran, yang memiliki FAQ yang sangat bagus dan halaman yang membandingkan paket yang berbeda .Adapun pendapat saya tentang benar-benar menggunakan
lme4
dannlme
: Saya menemukanlme4
secara umum lebih mudah digunakan karena ekstensi yang agak langsung dari sintaks rumus R dasar. (Jika Anda perlu bekerja dengan model aditif umum, makagamm4
paket memperpanjang sintaks ini satu langkah lebih lanjut dan sehingga Anda memiliki kurva belajar yang bagus dan mulus.) Seperti yang telah disebutkan,lme4
dapat menangani model umum (fungsi tautan lain dan distribusi kesalahan), sementaranlme
Fokus pada fungsi tautan Gaussian memungkinkannya melakukan beberapa hal yang sangat sulit dalam kasus umum (menentukan struktur kovarians dan hal-hal tertentu yang bergantung pada perhitungan derajat kebebasan, seperti nilai-p, yang belakangan saya anjurkan Anda untuk pindah jauh dari!).sumber