R言語は線形混合モデルにおける奇形フィッティング(Singular fit)の問題をどのように解決するか
テキストリンク:http://tecdat.cn/?p=14506
モデルがあるとしたら
mod |z|)
(Intercept) 2.49686 0.06909 36.14 < 2e-16 ***
X -1.03854 0.03812 -27.24 < 2e-16 ***
ConditionB -0.19707 0.06382 -3.09 0.00202 **
X:ConditionB 0.22809 0.05356 4.26 2.06e-05 ***
ここでは,断面積とxランダム効果との相関が−1であるため,奇異なフィッティングを観測した.このモデルを処理する方法の1つは、X:ConditionBなどの高次ランダム効果を削除し、奇異性をテストする際に違いがあるかどうかを確認することです.もう1つは、blmeパッケージなどのベイズ法を使用して奇異性を回避することです.
第一選択の方法は何ですか.なぜですか.
私がこのように尋ねたのは、1つ目または2つ目を使用すると異なる結果をもたらすためです.1つ目の場合、X:ConditionBランダム効果を削除し、XとX:ConditionBランダム効果の相関を推定することはできません.一方、blmeを使用すると、X:ConditionBを保持し、所与の相関を推定することができます.
通常、以下の解決策があります.
1.このモデルを処理する方法の1つは、高次ランダム効果(高Variance)を削除し、特異性をテストするときに異なるかどうかを確認することです.
奇異なフィッティングが得られると、これは通常、モデルが過度にフィッティングされていることを示します.すなわち、ランダム効果構造は複雑すぎてデータによってサポートされません.これは、ランダム効果の中で最も複雑な部分構造(通常はランダムスロープ)を削除することを推奨します.この方法の利点は、より簡潔なモデルを生成するが、過度にフィッティングされていないことです.
2.別の方法は、特異性を回避するためにblmeパッケージのようなベイズ法を使用することである.
最大ランダム効果構造を用いてモデルをフィッティングし,lme 4が奇異なフィッティングを得ることが望ましい場合,ベイズフレームワークにおいて同じモデルをフィッティングすることは,トレース図および種々のパラメータの良し悪しを調べることによってlme 4になぜ問題推定収束が生じるのかを良く知らせることができる.ベイズ法を用いた利点は,このようにすると元のモデルの問題が発見される可能性があることである.(データが最大ランダム効果構造をサポートしない理由)、またはlme 4がモデルにフィットできない理由を明らかにすることができる.
簡単に言えば、以上の2つの方法にはメリットがあります.
3.固定効果における共線形性は、他の線形モデルと同様に、特異なフィッティングをもたらす可能性がある.
それは条項を削除することによってモデルを修正する必要があります.しかしlmerでは、推定ランダム効果分散が非常にゼロに近づき、(非常に緩やかに)データがドラッグするのに十分でない場合、非常に簡単なモデルでこの警告(「境界(奇異な)フィット」警告)をトリガーすることもできます.推定はゼロの開始値から離れています.
2つの方法の正式な答えはほぼ似ている.ゼロと推定される単語を削除します.しかし、無視できる分散は合理的である場合がありますが、モデルに残したい場合があります.例えば、有意に差の少ない区間を探しているか、類似の実験を複数行っている可能性があり、常にすべての差を抽出したいため、lmerControlでこれらの警告の表示を禁止し、関連するテストを使用しないように設定することができる.例えば、
control=glmerControl(check.conv.singular = .makeCC(action = "ignore", tol = 1e-4))
これにより、デフォルト公差は保持されますが、奇異なフィットテストは抑制されます(デフォルトはaction=「warning」で、テストが実行され、警告が発行されます).
4.予測変数xの再調整を試みる.例えば、
lmerfit
また、nlme::lme()、すなわち
lmefit
または
lmefit
また、最適化アルゴリズムをlme()の最適化に変更することもできる.
または
library(GLMMadaptive)
model4
原文を参照:http://tecdat.cn/?p=14506
参考文献:
1.R言語に基づくlmer混合線形回帰モデル
2.R言語lme 4一般化線形混合モデル(GLMM)と線形混合モデル(LMM)をRshinyで探索する
3.R言語線形混合効果モデルの実戦事例
4.R言語線形混合効果モデル実戦事例2
5.R言語線形混合効果モデルの実戦事例
6.線形混合効果モデルLinear Mixed-Effects Modelsの部分折り畳みGibbsサンプリング
7.R言語LME 4混合効果モデル研究教師の人気度
8.R言語におけるハイブリッドデータサンプリング(MIDAS)回帰に基づくHAR-RVモデルによるGDP成長予測
9.SAS,Stata,HLM,R,SPSSおよびMplusを用いた層状線形モデルHLM