Chciałbym wyodrębnić nachylenia dla każdej osoby w modelu z efektem mieszanym, jak opisano w następnym akapicie
Modele mieszanych efektów zostały wykorzystane do scharakteryzowania indywidualnych ścieżek zmian w poznawczych miarach podsumowujących, w tym określeń dotyczących wieku, płci i lat edukacji jako efektów stałych (Laird i Ware, 1982; Wilson i in., 2000, 2002c) ... Resztkowe, indywidualne wartości nachylenia spadku poznawczego zostały wyodrębnione z modeli mieszanych po skorygowaniu o wpływ wieku, płci i wykształcenia. Następnie skorygowane rezydualne nachylenia charakterystyczne dla danej osoby zostały następnie wykorzystane jako fenotyp ilościowy do analizy powiązań genetycznych. Szacunki te są równe różnicy między nachyleniem danej osoby a przewidywanym nachyleniem osoby o tym samym wieku, płci i poziomie wykształcenia.
De Jager, PL, Shulman, JM, Chibnik, LB, Keenan, BT, Raj, T., Wilson, RS, i in. (2012). Skan całego genomu w poszukiwaniu popularnych wariantów wpływających na tempo spadku poznawczego związanego z wiekiem . Neurobiology of Aging, 33 (5), 1017.e1–1017.e15.
Patrzyłem na użycie coef
funkcji do wyodrębnienia współczynników dla każdej osoby, ale nie jestem pewien, czy jest to właściwe podejście.
Czy ktoś może udzielić porady, jak to zrobić?
#example R code
library(lme4)
attach(sleepstudy)
fml <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy)
beta <- coef(fml)$Subject
colnames(beta) <- c("Intercept", "Slope")
beta
summary(beta)
summary(fm1)
źródło
Days
nie jest wyśrodkowany na średniej, a zatem punkt przecięcia modelu jest niższy niż średnia wartośćReaction
. Ponadto linia regresji jest najlepszym dopasowaniem liniowym. Stąd obserwacje niekoniecznie są na tej linii.