拓端数据tecdat|R语言建立和可视化混合效应模型mixed effect model

原文链接：http://tecdat.cn/?p=20631 

我们已经学习了如何处理混合效应模型。本文的重点是如何建立和可视化 混合效应模型的结果。

设置

本文使用数据集，用于探索草食动物种群对珊瑚覆盖的影响。

1.  
   knitr::opts_chunk$set(echo = TRUE)
2.  
    
3.  
   library(tidyverse) # 数据处理
4.  
   library(lme4) # lmer glmer 模型
5.  
    
6.  
    
7.  
    
8.  
   me_data <- read_csv("mixede.csv")

创建一个基本的混合效应模型：

该模型以珊瑚覆盖层为因变量（elkhorn_LAI），草食动物种群和深度为固定效应（c。 urchinden，c.fishmass，c.maxD）和调查地点作为随机效应（地点）。
。
注意：由于食草动物种群的测量规模存在差异，因此我们使用标准化的值，否则模型将无法收敛。我们还使用了因变量的对数。我正在根据这项特定研究对数据进行分组。

summary(mod)

1.  
   ## Linear mixed model fit by maximum likelihood ['lmerMod']
2.  
    
3.  
   ##
4.  
   ## AIC BIC logLik deviance df.resid
5.  
   ## 116.3 125.1 -52.1 104.3 26
6.  
   ##
7.  
   ## Scaled residuals:
8.  
   ## Min 1Q Median 3Q Max
9.  
   ## -1.7501 -0.6725 -0.1219 0.6223 1.7882
10.  
    ##
11.  
    ## Random effects:
12.  
    ## Groups Name Variance Std.Dev.
13.  
    ## site (Intercept) 0.000 0.000
14.  
    ## Residual 1.522 1.234
15.  
    ## Number of obs: 32, groups: site, 9
16.  
    ##
17.  
    ## Fixed effects:
18.  
    ## Estimate Std. Error t value
19.  
    ## (Intercept) 10.1272 0.2670 37.929
20.  
    ## c.urchinden 0.5414 0.2303 2.351
21.  
    ## c.fishmass 0.4624 0.4090 1.130
22.  
    ## c.maxD 0.3989 0.4286 0.931
23.  
    ##
24.  
    ## Correlation of Fixed Effects:
25.  
    ## (Intr) c.rchn c.fshm
26.  
    ## c.urchinden 0.036
27.  
    ## c.fishmass -0.193 0.020
28.  
    ## c.maxD 0.511 0.491 -0.431
29.  
    ## convergence code: 0
30.  
    ## boundary (singular) fit: see ?isSingular

绘制效应大小图：

如果您有很多固定效应，这很有用。

 

plot(mod)

效应大小的格式化图：

让我们更改轴标签和标题。

1.  
   # 注意：轴标签应按从下到上的顺序排列。
2.  
   # 要查看效应大小和p值，设置show.values和show.p= TRUE。只有当效应大小的值过大时，才会显示P值。
3.  
   title="草食动物对珊瑚覆盖的影响")

模型结果表输出：

创建模型摘要输出表。这将提供预测变量，包括其估计值，置信区间，估计值的p值以及随机效应信息。

 

 tab(mod)

格式化表格

1.  
   # 注：预测标签（pred.labs）应从上到下排列；dv.labs位于表格顶部的因变量的名称。
2.  
    
3.  
    
4.  
   pred.labels =c("(Intercept)", "Urchins", "Fish", "Depth"),

 

用数据绘制模型估计

我们可以在实际数据上绘制模型估计值！我们一次只针对一个变量执行此操作。注意：数据已标准化以便在模型中使用，因此我们绘制的是标准化数据值，而不是原始数据

步骤1：将效应大小估算值保存到data.frame中

1.  
   # 使用函数。 term=固定效应，mod=你的模型。
2.  
    
3.  
   effect(term= "c.urchinden", mod= mod)
4.  
   summary(effects) #值的输出

1.  
   ##
2.  
   ## c.urchinden effect
3.  
   ## c.urchinden
4.  
   ## -0.7 0.4 2 3 4
5.  
   ## 9.53159 10.12715 10.99342 11.53484 12.07626
6.  
   ##
7.  
   ## Lower 95 Percent Confidence Limits
8.  
   ## c.urchinden
9.  
   ## -0.7 0.4 2 3 4
10.  
    ## 8.857169 9.680160 10.104459 10.216537 10.306881
11.  
    ##
12.  
    ## Upper 95 Percent Confidence Limits
13.  
    ## c.urchinden
14.  
    ## -0.7 0.4 2 3 4
15.  
    ## 10.20601 10.57414 11.88238 12.85314 13.84563

1.  
   # 将效应值另存为df：
2.  
   x <- as.data.frame(effects)

步骤2：使用效应值df绘制估算值

如果要保存基本图（仅固定效应和因变量数据），可以将其分解为单独的步骤。注意：对于该图，我正在基于此特定研究对数据进行分组。

1.  
   ＃基本步骤：
2.  
   ＃1创建空图
3.  
    
4.  
   #2 从数据中添加geom_points（）
5.  
    
6.  
   #3 为模型估计添加geom_point。我们改变颜色，使它们与数据区分开来
7.  
    
8.  
   #4 为MODEL的估计值添加geom_line。改变颜色以配合估计点。
9.  
    
10.  
    #5 添加具有模型估计置信区间的geom_ribbon
11.  
     
12.  
    #6 根据需要编辑标签！
13.  
     
14.  
    #1
15.  
    chin_plot <- ggplot() +
16.  
    #2
17.  
    geom_point(data , +
18.  
    #3
19.  
    geom_point(data=x_, aes(x= chinde, y=fit), color="blue") +
20.  
    #4
21.  
    geom_line(data=x, aes(x= chinde, y=fit), color="blue") +
22.  
    #5
23.  
    geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") +
24.  
    #6
25.  
    labs(x="海胆（标准化）", y="珊瑚覆盖层")
26.  
     
27.  
    chin_plot

---

最受欢迎的见解

1.基于R语言的lmer混合线性回归模型

2.R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）

3.R语言线性混合效应模型实战案例

4.R语言线性混合效应模型实战案例2

5.R语言线性混合效应模型实战案例

6.线性混合效应模型Linear Mixed-Effects Models的部分折叠Gibbs采样

7.R语言LME4混合效应模型研究教师的受欢迎程度

8.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长

9.使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM