受试者在 lme4 中不工作的时间的随机斜率

Question

我无法使用 lme4(1.1-7) 在此模型中插入随机斜率:

> difJS<-lmer(JS~Tempo+(Tempo|id),dat,na.action=na.omit)
Error: number of observations (=274) <= number of random effects (=278) for term 
(Tempo | id); the random-effects parameters and the residual variance (or scale
parameter) are probably unidentifiable

使用 nlme 可以正常工作:

    > JSprova<-lme(JS~Tempo,random=~1+Tempo|id,data=dat,na.action=na.omit)
    > summary(JSprova)
Linear mixed-effects model fit by REML Data: dat
AIC      BIC    logLik
769.6847 791.3196 -378.8424

Random effects:
Formula: ~1 + Tempo | id
Structure: General positive-definite, Log-Cholesky parametrization
            StdDev    Corr
(Intercept) 1.1981593 (Intr)
Tempo       0.5409468 -0.692
Residual    0.5597984       

Fixed effects: JS ~ Tempo 
                Value  Std.Error  DF   t-value p-value
(Intercept)  4.116867 0.14789184 138 27.837013  0.0000
Tempo       -0.207240 0.08227474 134 -2.518874  0.0129
Correlation: 
      (Intr)
Tempo -0.837

Standardized Within-Group Residuals:
        Min          Q1         Med          Q3         Max 
-2.79269550 -0.39879115  0.09688881  0.41525770  2.32111142

Number of Observations: 274
Number of Groups: 139

我认为这是一个丢失数据的问题，因为我很少有在 DV 的时间中丢失数据的情况，但使用 na.action=na.omit 不应该是两个包行为方式相同吗？

Answer 1

它与lme一起“工作”，但我99%确信你的随机斜率确实与残差变化混淆了。问题是每个受试者只有两次测量值(或者在 4 种情况下每个受试者只有一次测量值 - 但这在这里并不重要)，因此每个人的随机斜率加上随机截距会给每次观察带来一个随机效应。

如果您在 lme 拟合上尝试 intervals()，它会给出一个错误，指出方差-协方差矩阵无法识别。

您可以通过禁用某些可识别性检查来强制 lmer 执行此操作(见下文)。

library("lme4")
library("nlme")
library("plyr")

将数据限制为每个人仅两个点:

sleepstudy0 <- ddply(sleepstudy,"Subject",
      function(x) x[1:2,])
m1 <- lme(Reaction~Days,random=~Days|Subject,data=sleepstudy0)
intervals(m1)
## Error ... cannot get confidence intervals on var-cov components

lmer(Reaction~Days+(Days|Subject),data=sleepstudy0)
## error

如果您愿意，可以强制 lmer 适应此模型:

m2B <- lmer(Reaction~Days+(Days|Subject),data=sleepstudy0,
        control=lmerControl(check.nobs.vs.nRE="ignore"))
## warning messages

估计的方差与 lme 估计的方差不同，但这并不奇怪，因为某些参数是共同无法识别的。

如果您只对固定效应的推断感兴趣，那么忽略这些问题可能是可以的，但我不建议这样做。

明智的做法是认识到坡度之间的变化是无法识别的；坡度之间可能存在个体差异，但您无法使用此模型来估计它。不要尝试；拟合随机截距模型，并让隐式/默认随机误差项处理斜率之间的变化。

有一个recent related question on CrossValidated ;我还引用了another example .