r - 混合建模 - lme 和 lmer 函数之间的不同结果

Question

我目前正在阅读 Andy Field 的书，使用 R 发现统计数据。第 14 章是关于混合建模的，他使用了 lme来自 nlme 的函数包。

他使用快速约会数据创建的模型是这样的:

speedDateModel <- lme(dateRating ~ looks + personality +
                 gender + looks:gender + personality:gender + 
                 looks:personality,
    random = ~1|participant/looks/personality)

我尝试使用 lmer 重新创建一个类似的模型来自 lme4 的函数包裹;但是，我的结果不同。我以为我有正确的语法，但也许不是？

speedDateModel.2 <- lmer(dateRating ~ looks + personality + gender + 
              looks:gender + personality:gender + 
              (1|participant) + (1|looks) + (1|personality), 
              data = speedData, REML = FALSE)

此外，当我运行这些模型的系数时，我注意到它只为每个参与者生成随机截距。然后我试图创建一个产生随机截距和斜率的模型。我似乎无法为这两个函数获得正确的语法来执行此操作。任何帮助将不胜感激。

Answer 1

lme 和相应的 lmer 公式之间的唯一区别应该是随机和固定分量聚合到一个公式中:

dateRating ~ looks + personality +
             gender + looks:gender + personality:gender + 
             looks:personality+ (1|participant/looks/personality)

使用 (1|participant) + (1|looks) + (1|personality) 仅当 looks 和 personality 具有每个嵌套级别的唯一值。

不清楚你想用什么连续变量来定义你的斜率:如果你有一个连续变量 x 和组 g，那么 (x|g) 或等效的 (1+x|g) 会给你一个随机斜率模型(x 也应该包含在模型的固定效应部分，即完整的公式应该是 y~x+(x|g) ...)

更新:我从here 得到了数据，或者更确切地说是一个允许重建数据的脚本文件。 . Field 在他的书中犯了一个常见的错误，我过去也犯过好几次:由于每个参与者/外貌/个性组合在数据集中只有一个观察值，因此三向交互每个观察值有一个级别。在线性混合模型中，这意味着最低层嵌套的方差将与残差方差混淆。

您可以通过两种方式看到这一点:

• lme 似乎 可以很好地拟合模型，但是如果您尝试通过 intervals() 计算置信区间，您会得到<

 intervals(speedDateModel)
 ## Error in intervals.lme(speedDateModel) : 
 ##   cannot get confidence intervals on var-cov components: 
 ##   Non-positive definite approximate variance-covariance

• 如果你用 lmer 试试这个，你会得到:

## Error: number of levels of each grouping factor
##   must be < number of observations

在这两种情况下，这都是出现问题的线索。 (您可以在 lmer 中解决这个问题，如果您真的想要:请参阅 ?lmerControl。)

如果我们忽略最低的分组级别，一切正常:

sd2 <- lmer(dateRating ~ looks + personality +
                 gender + looks:gender + personality:gender + 
                 looks:personality+
                     (1|participant/looks),
            data=speedData)

比较 lmer 和 lme 的固定效果:

all.equal(fixef(sd2),fixef(speedDateModel)) ## TRUE

八哥的例子 here给出了这个问题的另一个例子和进一步的解释。