【问题标题】:Using lmer for multiple dependent variables使用 lmer 处理多个因变量
【发布时间】:2021-12-25 19:35:54
【问题描述】:

这是我的数据集的一个示例:

df <- data.frame(
id  = c(13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 29, 30, 31, 32, 33, 
       34, 35, 36, 37, 38, 39, 40, 62, 63, 64, 65, 13, 14, 15, 16, 17, 18, 
       19, 20, 21, 22, 23, 24, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 
       40, 62, 63, 64, 65, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 
       29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 62, 63, 64, 65), 
collection_point = c(rep(c("Baseline", "Immediate", "3M"), each=28)), 
intervention = c(rep(c("B", "A", "C", "B", "C", "A", "A", "B", "A", "C", "B", "C", 
              "A", "A", "B", "A", "C", "B", "C", "A", "A"), each = 4)), 
scale_A = c(6.5, 7.0, 6.25, 6.0, NA, 7.5, 7.5, 
        8.0, 7.5, 6.75, 7.5, 6.75, 6.75, 6.5, 
        5.75, 6.75, 7.75, 7.5, 7.75, 7.25, 7.75, 
        7.25, 7.25, 5.75, 6.75, NA, 6.75, 7.5, 
        6.75, 7.0, 6.5, 7.0, 7.5, 7.5, 7.5, 
        7.75, 7.25, 7.25, 7.25, 7.5, 6.5, 6.25, 
        6.25, 7.25, 7.5, 6.75, 7.25, 7.25, 7.5, 
        7.25, 7.5, 7.25, NA, 7.0, 7.5, 7.5, 
        6.75, 7.25, 6.5, 7.0, 7.5, 7.5, 7.5, 
        7.75, 7.5, 7.5, 7.5, 7.5, 6.5, 5.75, 
        6.25, 6.75, 7.5, 7.25, 7.25, 7.5, 7.75, 
        7.75, 7.75, 7.5, NA, NA, NA, NA))
scale_B = c(5.0, 6.5, 6.25, 7.0, NA, 5.5, 6.5, 
        6.0, 7.5, 5.75, 6.5, 5.75, 7.75, 6.5, 
        6.75, 7.75, 7.75, 7.5, 7.75, 5.25, 7.75, 
        6.25, 6.25, 6.75, 5.75, NA, 6.75, 6.5, 
        7.75, 6.0, 7.5, 6.0, 7.5, 7.5, 6.5, 
        6.75, 6.25, 6.25, 6.25, 6.5, 6.5, 7.25, 
        7.25, 6.25, 6.5, 7.75, 6.25, 7.25, 6.5, 
        6.25, 6.5, 6.25, NA, 7.0, 6.5, 7.5, 
        7.75, 6.25, 7.5, 6.0, 7.5, 6.5, 6.5, 
        6.75, 6.5, 6.5, 6.5, 7.5, 7.5, 6.75, 
        7.25, 7.75, 6.5, 6.25, 7.25, 6.5, 6.75, 
        6.75, 6.75, 6.5, 5.5, NA, NA, 6.5))
scale_C = c(5.5, 5.0, 7.25, 7.0, 8.0, 5.5, 5.5, 
        8.0, 5.5, 7.75, 5.5, 7.75, 7.75, 7.5, 
        7.75, 7.75, 5.75, 5.5, 5.75, 5.25, 5.75, 
        5.25, 6.25, 7.75, 7.75, NA, 7.75, 5.5, 
        6.75, 6.0, 7.5, 5.0, 5.5, 5.5, 7.5, 
        5.75, 6.25, 5.25, 5.25, 5.5, 7.5, 7.25, 
        7.25, 6.25, 5.5, 7.75, 5.25, 5.25, 7.5, 
        5.25, 6.5, 5.25, 5.0, 5.0, 5.5, 5.5, 
        7.75, 6.25, 7.5, 5.0, 5.5, 5.5, 7.5, 
        5.75, 6.5, 5.5, 5.5, 5.5, 7.5, 7.75, 
        7.25, 7.75, 5.5, 5.25, 5.25, 5.5, 6.75, 
        5.75, 5.75, 5.5, 6.75, NA, 5.75, NA))

在哪里,

id = 参与者

collection_point = 从参与者那里收集数据的次数(重复测量)

intervention = 每个参与者被随机分配到的组(固定效应)

scale_A = 每个参与者在每个数据收集点完成的问卷分数(结果)

参与者被随机分配到三种干预措施中的一种,并在三个不同的时间点完成相同的量表(量表 A-C),以确定随着时间的推移是否有任何改进。

我用过代码

    mixed.lmer.A1<-lmer(scale_A~intervention+(collection_point|id), control =
 lmerControl(check.nobs.vs.nRE = "ignore"), data = df)

但我想运行 MANOVA,因为所有尺度都衡量一个有凝聚力的主题的不同方面。但是,我无法运行

    mixed.lmer.comb<-lmer(cbind(scale_A, scale_B, scale_C)~intervention+
(collection_point|id), control = lmerControl(check.nobs.vs.nRE = "ignore"), 
data = df)

就像我最初想的那样。如果我使用lm 运行它确实有效,但这不会有太大意义,因为我需要将collection_point 作为重复测量。

有没有一种方法可以使用lmer 运行多个因变量?

【问题讨论】:

标签: r lme4


【解决方案1】:

您可以通过将数据转换为长格式来做到这一点:有很多方法可以做到这一点,例如reshape 在基础 R 或 reshape2::melt 中,但我发现 tidyr::pivot_longer 最简单:

df_long <- tidyr::pivot_longer(df, cols = starts_with("scale_"),
                               names_to = "scales",
                               values_to = "value")

固定效应是0 + scales + scales:intervention:我们不想要整体截距,我们想要特定尺度的截距,加上每个尺度的干预效应。

随机效应是collection_point|scales/id:这允许收集点的效应随尺度和id 变化(如在原始模型中)。

mm <- lmer(value ~ 0 + scales + scales:intervention + (collection_point|scales/id),
           data = df_long,
           control = lmerControl(check.nobs.vs.nRE = "ignore"))

这个模型在技术上是正确的,但是给出了一个奇异的拟合(这并不奇怪,因为我们试图估计一个只跨越三个尺度级别的方差);请参阅 ?isSingular 或 GLMM FAQ,获取有关处理此问题的建议。

这不是我们可以建立的唯一模型;最大模型将包含更多项。

一些进一步的cmets:

  • 一个原则是,由于多元数据的元素通常具有不同的单位,我们不应该在模型中包含任何适用于跨尺度的项(例如整体截距或整体效应)干预);这可能不适用于您的特定情况,我不知道
  • 在随机效应中变化的术语(在这种情况下为collection_point)是不寻常的(并且通常,尽管并非总是错误),但没有相应的固定效应 - 通过这样做,您假设收集点的平均(总体水平)效应正好为零,这令人惊讶,除非 (1) 实验设计有什么特别之处(例如,观察结果在收集点之间以某种方式随机化),(2) 你已以某种方式对数据进行了预处理(例如,将数据显式转换为跨收集点的方差为零),(3) 正在建立一个空模型进行比较。
  • 我有点担心您需要覆盖检查您估计的随机效应少于观察值的检查;我没有对此进行详细研究,但这通常意味着您的模型在某种程度上过度拟合。 (也许是因为我们正在查看数据的一个子集,而这并没有出现在完整的数据集中?)

更多here.

【讨论】:

  • scales/id 不是暗示不同且不重叠的 id 嵌套在每个比例级别中吗?或者,scales:id 表示相同的 id 值可以出现在不同的范围内。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2018-03-25
  • 1970-01-01
  • 2021-10-03
  • 1970-01-01
  • 2021-03-12
相关资源
最近更新 更多