r - 考虑 GLMM 中的时间相关性

Question

我正在尝试解释 GLMM 中的自相关。我的响应变量是 bool 值，它表示一组 hive 的生命周期中是否存在 en 事件。我试图用一组描述每个巢状态的数值变量来预测此类事件的概率。因此，我在广义模型中使用二项式分布，并将 Nest 作为随机效应(使用 glmer())。然而，这些事件是自相关的，所以我的残差出现了非常可怕的模式。如果我在没有随机效应的误差中使用高斯分布，我会使用 gls() 的相关结构来估计一些相关参数，但这在这种情况下不起作用。我一直在寻找将这种自相关包含在 GLMM 中的方法，但我似乎没有找到正确的方法。我发现可以使用函数 ts() 和 diff() 转换数据集，以允许模型包含响应的先前值作为预测变量。这适用于线性模型 lm()，使残差更好。

basket.1<-subset(basket,select=c(Nest,day,number_cells,provitioning_cells,closed_cells,
                             reopened_cells,eclosed_cells,pollen))
basket.ts<-ts(as.matrix.data.frame(basket.1),start=1,frequency=9)
m.basket.ts1<-lm(pollen~provitioning_cells+reopened_cells+closed_cells
            +eclosed_cells+day,data=diff(basket.ts,differences=2))`

但是，lmer() 和 glm() 都不接受这些函数的输出。问题似乎是转换使某些值变为负值，并且 glm() 不接受二项式模型的负值(这是有道理的)。我读到可以考虑自相关 glm()，这已经是一个改进，但我无法让它发挥作用。我还读到 glmmPQL() 可以包含相关结构。该模型可以运行，但它不会改善残差中的模式。它们似乎仍然是自相关的。

m.basket.glmm1<-glmmPQL(pollen~provitioning_cells+reopened_cells+closed_cells
            +eclosed_cells+day,random=~1|Nest,family=binomial,correlation=corAR1(form=~day),
            data=basket)

我尝试了不同的相关结构，但似乎都不起作用。

最后，我尝试了 dyn 包，它应该允许回归函数处理时间序列。但同样，该函数不会使用转换生成的值运行。

m.bas.glm.dyn1<-dyn$glm(pollen~provitioning_cells+reopened_cells+closed_cells
                    +eclosed_cells+day,family=poisson,data = diff(basket.ts,differences=3))

总而言之，我需要运行具有时间相关性的 GLMM，但我找不到方法来做到这一点。我非常感谢一些帮助。

干杯!!!

Answer 1

你能给我们一个可重现的例子吗？原则上，“手动”滞后值应该不会太难，例如

basket.1 <- subset(basket,select=c(Nest,day,number_cells,
                             provitioning_cells,closed_cells,
                             reopened_cells,eclosed_cells,pollen))
n <- nrow(basket.1)
basket.2 <- transform(basket.1,pollen.lag1=c(pollen[2:n],NA),
                      pollen.lag2=c(pollen[3:n],rep(NA,2)))

library("lme4")
m.basket.glmm1 <- glmer(pollen~provitioning_cells+
                   reopened_cells+ closed_cells+
                    eclosed_cells+day+pollen.lag1+pollen.lag2+
                    (1|Nest),
                   family=binomial,data=basket.2)

根据数据集的大小，如果 day 是数字而不是因子，您可能需要 (day|Nest) 而不是 (1|巢) ...