将时间序列合并到 R 中的混合效应模型中（使用 lme4）答案

【问题标题】：Incorporating time series into a mixed effects model in R (using lme4)将时间序列合并到 R 中的混合效应模型中（使用 lme4）
【发布时间】：2016-06-08 06:44:08
【问题描述】：

我已经搜索了类似的问题，如果有遗漏的相关问题，我很抱歉。

我正在查看在各种条件下花费在喂食器上的时间（因变量），每个受试者访问喂食器 30 次。

受试者接触一种类型的喂食器，这种喂食器具有不同的组合：有香味/无香味、有视觉图案/空白，以及这些视觉或香味图案以两种空间排列之一呈现。

到目前为止，我的模型是：

mod<-lmer(timeonfeeder ~ scent_yes_no + visual_yes_no + 
    pattern_one_or_two + (1|subject), data=data)

如何将访问次数合并到模型中，以查看这些因素是否会随着时间的推移对馈线所花费的时间产生影响？

【问题讨论】：

你有数据的例子吗？
如果您假设随时间不断变化（访问次数），您只需将其添加为额外的一级预测器。如果您假设不同主题的变化，您可以另外指定时间变量的随机系数。但是让我问一下：如果您对时间问题（花费的时间）感兴趣，您不应该进行持续时间分析（也称为事件历史分析）吗？
@MathieuB 这是数据的组合方式！post image 数据集非常庞大，因此即使只有一个主题的数据也很难向您展示。

标签： r time-series lme4 mixed-models

【解决方案1】：

您有多种选择（对于CrossValidated，这个问题可能稍微好一点）。

正如@Dominix 建议的那样，您可以允许馈线时间随时间线性增加或减少。允许这种变化因鸟类而异可能是有意义的：
```
timeonfeeder ~ time + ... + (time|subject)
```
您可以允许随时间变化的任意模式（即不仅仅是线性）：
```
timeonfeeder ~ factor(time) + ... + (1|subject)
```
这在你的情况下可能没有意义，因为你有大量的观察，所以它需要很多参数（如果你有每个人 3 个时间点会更明智）
您可以通过 additive 模型允许更复杂的随时间变化模式，即使用三次样条建模随时间变化。例如：
```
library(mgcv)
gamm(timeonfeeder ~ s(time) + ... , random = ~1|subject
```
(1) 这假设时间模式在受试者之间是相同的； (2) 因为gamm() 在后台使用lme 而不是lmer，所以您必须将随机效应指定为单独的参数。（您也可以使用 gamm4 包，它在后台使用 lmer。）

您可能希望允许时间自相关。例如，

lme(timeonfeeder ~ time + ... ,
    random = ~ time|subject,
    correlation = corAR1(form= ~time|subject) , ...)

【讨论】：

差不多，但(1|subject) 是多余的； (visit_no|subject) 等同于 (1+visit_no|subject)，即包括跨受试者的斜率和截距的变化
感谢大家花时间回答。我认为正如 Dominix 和 Ben 建议的那样，我最好的选择是允许馈线时间随时间线性增加或减少。只是为了澄清是否是这种情况，然后我会将我的模型更改为... mod
非常感谢您。对糟糕的格式感到抱歉。
如果问题解决了您的问题，我们鼓励您点击复选标记接受它...