【原创】R语言用Rshiny探索广义线性混合模型(GLMM)和线性混合模型(LMM)数据分析报告(附代码数据)

咨询QQ：3025393450

有问题百度搜索“”就可以了

欢迎登陆官网：/datablog

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）数据分析报告

随着lme4软件包的改进，使用广义线性混合模型（GLMM）和线性混合模型（LMM）的工作变得越来越容易。当我们发现自己在工作中越来越多地使用这些模型时，我们（作者）开发了一套工具，用于简化和加快与的merMod对象进行交互的常见任务lme4。该软件包提供了那些工具。

安装

# development version

library(devtools)

install_github("jknowles/merTools")

# CRAN version -- coming soon

install.packages("merTools")

咨询QQ：3025393450

有问题百度搜索“”就可以了

欢迎登陆官网：/datablog

Rshiny的应用程序和演示

演示此应用程序功能的最简单方法是使用捆绑的Shiny应用程序，该应用程序会在此处启动许多指标以帮助探索模型。去做这个：

devtools::install_github("jknowles/merTools")

library(merTools)

m1 <- lmer(y ~ service + lectage + studage + (1|d) + (1|s), data=InstEval)

shinyMer(m1, simData = InstEval[1:100, ]) # just try the first 100 rows of data

在第一个选项卡上，该功能提供了用户选择的数据的预测间隔，这些预测间隔是使用predictInterval包中的功能计算得出的。通过从固定效应和随机效应项的模拟分布中进行采

咨询QQ：3025393450

有问题百度搜索“”就可以了

欢迎登陆官网：/datablog

样，并将这些模拟估计值组合起来，可以为每个观测值生成预测分布，从而快速计算出预测间隔。这允许从非常大的模型中生成预测间隔，bootMer而在计算上将无法使用。

在下一个选项卡上，在置信区间图上显示固定效应和组级效应的分布。这些对于诊断很有用，并提供了一种检查各种参数的相对大小的方法。这个标签使得使用的四个相关功能merTools：FEsim，plotFEsim，REsim和plotREsim它们可将自己的使用。

咨询QQ：3025393450

有问题百度搜索“”就可以了

欢迎登陆官网：/datablog

在第三个选项卡上，有一些方便的方法可以利用的力量来显示影响或影响的大小predictInterval。对于每种情况，最多为12种，在选定的数据类型中，用户可以查看更改固定效果之一或分组级别项之一的影响。使用该REimpact函数，如果所有其他条件保持相等，则使用模型的预测对每种情况进行模拟，但是观察将通过固定效应或随机效应项的分布进行。这是根据因变量的比例绘制的，它使用户可以比较跨变量以及相同数据的模型之间的影响幅度。

预测

标准预测看起来像这样。

咨询QQ：3025393450

有问题百度搜索“”就可以了

欢迎登陆官网：/datablog

predict(m1, newdata = InstEval[1:10, ])

#> 1 2 3 4 5 6 7 8

#> 3.146336 3.165211 3.398499 3.114248 3.320686 3.252670 4.180896 3.845218 #> 9 10

#> 3.779336 3.331012

通过predictInterval我们获得的预测更像由lm和产生的标准对象glm：

#predictInterval(m1, newdata = InstEval[1:10, ]) # all other parameters are optional predictInterval(m1, newdata = InstEval[1:10, ], n.sims = 500, level = 0.9,

stat = 'median')

#> fit lwr upr

#> 1 3.074148 1.112255 4.903116

#> 2 3.243587 1.271725 5.200187

#> 3 3.529055 1.409372 5.304214

#> 4 3.072788 1.079944 5.142912

#> 5 3.395598 1.268169 5.327549

咨询QQ：3025393450

有问题百度搜索“”就可以了

欢迎登陆官网：/datablog

#> 6 3.262092 1.333713 5.304931

#> 7 4.215371 2.136654 6.078790

#> 8 3.816399 1.860071 5.769248

#> 9 3.811090 1.697161 5.775237

#> 10 3.337685 1.417322 5.341484

请注意，predictInterval速度较慢，因为它是在计算模拟。它还可以将所有模拟yhat值作为属性返回给预测对象本身。

predictInterval大量使用软件包中的sim函数arm来绘制模型参数的分布。然后，将这些模拟值组合起来以创建yhat每个观测值的分布。

绘图

merTools还提供了merMod视觉检查对象的功能。最简单的方法是获得固定和随机效应参数的后验分布。

feSims <- FEsim(m1, n.sims = 100)

head(feSims)