Jak przetestować efekt zmiennej grupującej za pomocą modelu nieliniowego?

15

Mam pytanie dotyczące zastosowania zmiennej grupującej w modelu nieliniowym. Ponieważ funkcja nls () nie zezwala na zmienne czynnikowe, starałam się dowiedzieć, czy można przetestować wpływ czynnika na dopasowanie modelu. Poniżej zamieściłem przykład, w którym chcę dopasować „sezonowy sezon von Bertalanffy'ego” do różnych metod leczenia wzrostu (najczęściej stosowanych do wzrostu ryb). Chciałbym przetestować działanie jeziora, w którym rosły ryby, oraz podane jedzenie (tylko sztuczny przykład). Znam obejście tego problemu - zastosowanie testu F porównującego modele pasujące do danych zbiorczych w porównaniu z osobnymi dopasowaniami, jak nakreślił Chen i in. (1992) (ARSS - „Analiza resztkowej sumy kwadratów”). Innymi słowy, w poniższym przykładzie

wprowadź opis zdjęcia tutaj

Wyobrażam sobie, że istnieje prostszy sposób, aby to zrobić w R za pomocą nlme (), ale mam problemy. Przede wszystkim dzięki zastosowaniu zmiennej grupującej stopnie swobody są wyższe niż w przypadku dopasowania osobnych modeli. Po drugie, nie mogę zagnieździć grupujących zmiennych - nie widzę, gdzie jest mój problem. Każda pomoc przy użyciu nlme lub innych metod jest bardzo mile widziana. Poniżej znajduje się kod mojego sztucznego przykładu:

###seasonalized von Bertalanffy growth model
soVBGF <- function(S.inf, k, age, age.0, age.s, c){
    S.inf * (1-exp(-k*((age-age.0)+(c*sin(2*pi*(age-age.s))/2*pi)-(c*sin(2*pi*(age.0-age.s))/2*pi))))
}

###Make artificial data
food <- c("corn", "corn", "wheat", "wheat")
lake <- c("king", "queen", "king", "queen")

#cornking, cornqueen, wheatking, wheatqueen
S.inf <- c(140, 140, 130, 130)
k <- c(0.5, 0.6, 0.8, 0.9)
age.0 <- c(-0.1, -0.05, -0.12, -0.052)
age.s <- c(0.5, 0.5, 0.5, 0.5)
cs <- c(0.05, 0.1, 0.05, 0.1)

PARS <- data.frame(food=food, lake=lake, S.inf=S.inf, k=k, age.0=age.0, age.s=age.s, c=cs)

#make data
set.seed(3)
db <- c()
PCH <- NaN*seq(4)
COL <- NaN*seq(4)
for(i in seq(4)){
    age <- runif(min=0.2, max=5, 100)
    age <- age[order(age)]
    size <- soVBGF(PARS$S.inf[i], PARS$k[i], age, PARS$age.0[i], PARS$age.s[i], PARS$c[i]) + rnorm(length(age), sd=3)
	PCH[i] <- c(1,2)[which(levels(PARS$food) == PARS$food[i])]
	COL[i] <- c(2,3)[which(levels(PARS$lake) == PARS$lake[i])]
	db <- rbind(db, data.frame(age=age, size=size, food=PARS$food[i], lake=PARS$lake[i], pch=PCH[i], col=COL[i]))
}

#visualize data
plot(db$size ~ db$age, col=db$col, pch=db$pch)
legend("bottomright", legend=paste(PARS$food, PARS$lake), col=COL, pch=PCH)


###fit growth model
library(nlme)

starting.values <- c(S.inf=140, k=0.5, c=0.1, age.0=0, age.s=0)

#fit to pooled data ("small model")
fit0 <- nls(size ~ soVBGF(S.inf, k, age, age.0, age.s, c), 
  data=db,
  start=starting.values
)
summary(fit0)

#fit to each lake separatly ("large model")
fit.king <- nls(size ~ soVBGF(S.inf, k, age, age.0, age.s, c), 
  data=db,
  start=starting.values,
  subset=db$lake=="king"
)
summary(fit.king)

fit.queen <- nls(size ~ soVBGF(S.inf, k, age, age.0, age.s, c), 
  data=db,
  start=starting.values,
  subset=db$lake=="queen"
)
summary(fit.queen)


#analysis of residual sum of squares (F-test)
resid.small <- resid(fit0)
resid.big <- c(resid(fit.king),resid(fit.queen))
df.small <- summary(fit0)$df
df.big <- summary(fit.king)$df+summary(fit.queen)$df

F.value <- ((sum(resid.small^2)-sum(resid.big^2))/(df.big[1]-df.small[1])) / (sum(resid.big^2)/(df.big[2]))
P.value <- pf(F.value , (df.big[1]-df.small[1]), df.big[2], lower.tail = FALSE)
F.value; P.value


###plot models
plot(db$size ~ db$age, col=db$col, pch=db$pch)
legend("bottomright", legend=paste(PARS$food, PARS$lake), col=COL, pch=PCH)
legend("topleft", legend=c("soVGBF pooled", "soVGBF king", "soVGBF queen"), col=c(1,2,3), lwd=2)

#plot "small" model (pooled data)
tmp <- data.frame(age=seq(min(db$age), max(db$age),,100))
pred <- predict(fit0, tmp)
lines(tmp$age, pred, col=1, lwd=2)

#plot "large" model (seperate fits)
tmp <- data.frame(age=seq(min(db$age), max(db$age),,100), lake="king")
pred <- predict(fit.king, tmp)
lines(tmp$age, pred, col=2, lwd=2)
tmp <- data.frame(age=seq(min(db$age), max(db$age),,100), lake="queen")
pred <- predict(fit.queen, tmp)
lines(tmp$age, pred, col=3, lwd=2)



###Can this be done in one step using a grouping variable?
#with "lake" as grouping variable
starting.values <- c(S.inf=140, k=0.5, c=0.1, age.0=0, age.s=0)
fit1 <- nlme(model = size ~ soVBGF(S.inf, k, age, age.0, age.s, c), 
  data=db,
  fixed = S.inf + k + c + age.0 + age.s ~ 1,
  group = ~ lake,
  start=starting.values
)
summary(fit1)

#similar residuals to the seperatly fitted models
sum(resid(fit.king)^2+resid(fit.queen)^2)
sum(resid(fit1)^2)

#but different degrees of freedom? (10 vs. 21?)
summary(fit.king)$df+summary(fit.queen)$df
AIC(fit1, fit0)


###I would also like to nest my grouping factors. This doesn't work...
#with "lake" and "food" as grouping variables
starting.values <- c(S.inf=140, k=0.5, c=0.1, age.0=0, age.s=0)
fit2 <- nlme(model = size ~ soVBGF(S.inf, k, age, age.0, age.s, c), 
  data=db,
  fixed = S.inf + k + c + age.0 + age.s ~ 1,
  group = ~ lake/food,
  start=starting.values
)

Odnośnik: Chen, Y., Jackson, DA i Harvey, HH, 1992. Porównanie funkcji von Bertalanffy i funkcji wielomianowych w modelowaniu danych dotyczących wzrostu ryb. 49, 6: 1228–1235.

Marc w pudełku
źródło

Odpowiedzi:

6

X1,...,XpYf

Y=f(X1,...,Xp)+ε

εN(0,σ2)fBmBL1L0

Model niestratyfikowany jest wyraźnie podmodelem modelu warstwowego, więc test współczynnika wiarygodności jest odpowiedni, aby sprawdzić, czy większy model jest wart dodatkowej złożoności - statystyka testu jest

λ=2(L1L0)

λχ2)mp-p=p(m-1)pχ2) wartości p.

Makro
źródło
Czy sugerujesz dopasowanie m oddzielnych modeli, zsumuj prawdopodobieństwo logarytmu z każdego L1 = SUMA (LL_i, i od 1 do m), a następnie kontynuuj z prawdopodobieństwem? Ponadto, czy L0 jest modelem z uwzględnionym predyktorem jakościowym (na przykład ze zmiennymi fikcyjnymi m-1)?
B_Miner
L0Bb
Dziękujemy za sugestię Makro. Wydaje się, że jest to zgodne z tym, co już zrobiłem - chociaż sugerujesz porównanie prawdopodobieństwa zamiast testu F. W moim przykładzie test F porównuje również pojedyncze dopasowanie reszt z sumą reszt z kilku dopasowań zastosowanych do każdego kategorialnego poziomu predyktora. Chyba zastanawiałem się, czy można to zrobić w ramach modelu mieszanego w jednym kroku, a nie dopasować kilka modeli. Czy taka strategia pozwoliłaby na testowanie zagnieżdżone?
Marc w pudełku
Nie sądzę, że będziesz w stanie obejść dopasowanie kilku modeli, aby porównać modele. Tak, tak, test współczynnika prawdopodobieństwa może być użyty do testowania zagnieżdżonych czynników.
Makro
2

Odkryłem, że możliwe jest kodowanie zmiennych kategorialnych za pomocą nls (), po prostu przez pomnożenie wektorów prawda / fałsz w równaniu. Przykład:

# null model (no difference between groups; all have the same coefficients)
nls.null <- nls(formula = percent_on_cells ~ vmax*(Time/(Time+km)),
            data = mehg,
            start = list(vmax = 0.6, km = 10))

# alternative model (each group has different coefficients)
nls.alt <- nls(formula = percent_on_cells ~ 
              as.numeric(DOC==0)*(vmax1)*(Time/(Time+(km1))) 
            + as.numeric(DOC==1)*(vmax2)*(Time/(Time+(km2)))
            + as.numeric(DOC==10)*(vmax3)*(Time/(Time+(km3)))
            + as.numeric(DOC==100)*(vmax4)*(Time/(Time+(km4))),
            data = mehg, 
            start = list(vmax1=0.63, km1=3.6, 
                         vmax2=0.64, km2=3.6, 
                         vmax3=0.50, km3=3.2,
                         vmax4= 0.40, km4=9.7))
housetyrell
źródło