Saya memiliki data yang dikumpulkan dari percobaan yang diselenggarakan sebagai berikut:
Dua situs, masing-masing dengan 30 pohon. 15 dirawat, 15 kontrol di setiap situs. Dari setiap pohon, kami mengambil sampel tiga potong batang, dan tiga potong akar, sehingga 6 tingkat 1 sampel per pohon yang diwakili oleh salah satu dari dua tingkat faktor (akar, batang). Kemudian, dari sampel batang / akar, kami mengambil dua sampel dengan membedah jaringan yang berbeda di dalam sampel, yang diwakili oleh salah satu dari dua tingkat faktor untuk jenis jaringan (tipe jaringan A, tipe jaringan B). Sampel-sampel ini diukur sebagai variabel kontinu. Total jumlah pengamatan adalah 720; 2 situs * 30 pohon * (tiga sampel batang + tiga sampel akar) * (satu sampel jaringan + satu sampel jaringan B). Data terlihat seperti ini ...
ï..Site Tree Treatment Organ Sample Tissue Total_Length
1 L LT1 T R 1 Phloem 30
2 L LT1 T R 1 Xylem 28
3 L LT1 T R 2 Phloem 46
4 L LT1 T R 2 Xylem 38
5 L LT1 T R 3 Phloem 103
6 L LT1 T R 3 Xylem 53
7 L LT1 T S 1 Phloem 29
8 L LT1 T S 1 Xylem 21
9 L LT1 T S 2 Phloem 56
10 L LT1 T S 2 Xylem 49
11 L LT1 T S 3 Phloem 41
12 L LT1 T S 3 Xylem 30
Saya mencoba menyesuaikan model efek campuran menggunakan R dan lme4, tetapi saya baru untuk model campuran. Saya ingin memodelkan respons sebagai Treatment + Level 1 Factor (batang, akar) + Level 2 Factor (jaringan A, jaringan B), dengan efek acak untuk sampel spesifik yang bersarang dalam dua level.
Di R, saya melakukan ini menggunakan lmer, sebagai berikut
fit <- lmer(Response ~ Treatment + Organ + Tissue + (1|Tree/Organ/Sample))
Dari pemahaman saya (... yang tidak pasti, dan mengapa saya memposting!) Istilah:
(1|Tree/Organ/Sample)
Menentukan bahwa 'Sampel' bersarang di dalam sampel organ, yang bersarang di dalam pohon. Apakah jenis sarang ini relevan / valid? Maaf jika pertanyaan ini tidak jelas, jika demikian, harap tentukan di mana saya dapat menguraikan.
Saya membaca pertanyaan ini dan jawaban Dr. Bolker, dan mencoba mereplikasi data (tidak peduli banyak, terus terang, tentang apa yang "panjang" diwakili dalam istilah atau unit biologis, dan kemudian cocok dengan model seperti di atas. Saya memposting hasilnya di sini untuk berbagi dan mencari umpan balik tentang kemungkinan adanya kesalahpahaman.
Kode yang saya gunakan untuk menghasilkan data fiksi ini dapat ditemukan di sini , dan kumpulan data memiliki struktur bagian dalam OP:
Strukturnya adalah sebagai berikut:
Kumpulan data "dicurangi" (umpan balik di sini akan diterima) sebagai berikut:
treatment
, ada efek tetap dengan dua intersepsi berbeda untuk pengobatan versus kontrol (100
versus70
), dan tidak ada efek acak.tissue
dengan efek tetap yang menonjol dengan intersep yang sangat berbeda untukphloem
versusxylem
(3
versus6
), dan efek acak dengan asd = 3
.organ
sd = 3
6
root
stem
tree
kita hanya punya efek acak dengan asd = 7
.sample
saya mencoba mengatur hanya efek acaksd = 5
.site
ef hanya juga acak dengansd = 3
.Tidak ada lereng yang diatur, karena sifat kategorikal variabel.
Hasil model efek campuran:
adalah:
Bagaimana itu bekerja:
treatment
intersep tanpa pengobatan adalah79.8623
(saya membuat rata-rata70
), dan dengan perawatan itu79.8623 + 21.4368 = 101.2991
(kami membuat rata-rata100
.tissue
ada3.1820
kontribusi untuk penyadapanxylem
, dan saya telah membuat perbedaan antaraphloem
danxylem
dari3
. Efek acak bukan bagian dari model.organ
, sampel daristem
peningkatan intersep oleh0.1856
- saya sudah mengatur tidak ada perbedaan dalam efek tetap antarastem
danroot
. Deviasi standar dari apa yang ingin saya lakukan sebagai efek acak tidak tercermin.tree
efek acak dengan sd dari7
muncul baik sebagai7.027
.sample
, awalsd
dari5
itu underemphasized sebagai3.088
.site
bukan bagian dari model.Jadi, secara keseluruhan, tampaknya model tersebut cocok dengan struktur data.
sumber