Parametryczne, półparametryczne i nieparametryczne ładowanie początkowe dla modeli mieszanych

9

Z tego artykułu pochodzą następujące przeszczepy . Jestem nowicjuszem w bootstrapie i próbuję zaimplementować parametryczne, semiparametryczne i nieparametryczne bootstrapowanie dla liniowego modelu mieszanego z R bootpakietem.

wprowadź opis zdjęcia tutaj wprowadź opis zdjęcia tutaj wprowadź opis zdjęcia tutaj wprowadź opis zdjęcia tutaj wprowadź opis zdjęcia tutaj

Kod R.

Oto mój Rkod:

library(SASmixed)
library(lme4)
library(boot)

fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation)
fixef(fm1Cult)


boot.fn <- function(data, indices){
 data <- data[indices, ]
 mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data)
 fixef(mod)
 }

set.seed(12345)
Out <- boot(data=Cultivation, statistic=boot.fn, R=99)
Out

pytania

  1. Jak wykonać parametryczne, półparametryczne i nieparametryczne ładowanie początkowe dla modeli mieszanych z bootpakietem?
  2. Chyba robię nieparametryczne ładowanie początkowe dla modelu mieszanego w moim kodzie.

Znalazłem te slajdy , ale nie mógł dostać pakiet R merBoot. Każdy pomysł, skąd mogę wziąć ten pakiet. Jakakolwiek pomoc będzie doceniona. Z góry dziękuję za pomoc i czas.

MYaseen208
źródło

Odpowiedzi:

8

Ładowanie w mieszanych modelach liniowych jest bardzo podobne do ładowania w regresji, z tą różnicą, że efekty są podzielone na stałe i losowe. Podczas regresji, aby wykonać parametryczny bootstrap, dopasowujesz model parametryczny do danych, oblicz resztę modelu, bootstrap reszt, weź resztki bootstrap i dodaj je do dopasowanego modelu, aby uzyskać próbkę bootstrap danych, a następnie dopasuj model do danych bootstrap, aby uzyskać oszacowania przykładowych parametrów bootstrap. Powtórz tę procedurę, ponownie ładując oryginalne resztki, a następnie powtarzając pozostałe kroki procedury, aby uzyskać kolejną próbną wartość szacunkową parametrów. W przypadku nieparametrycznego ładowania początkowego tworzy się wektor odpowiedzi i zmiennych towarzyszących oraz uruchamia wybór wektorów dla próbki ładowania początkowego. Z próbki bootstrap dopasowujesz model, aby uzyskać parametry i powtarzasz proces. Jedyna różnica między parametrycznym i nieparametrycznym ładowaniem początkowym polega na tym, że ładujesz resztki dla początkowego parametru, podczas gdy nieparametryczny ładowanie początkowe wektorów. W przypadku modelu mieszanego możesz również mieć półparametryczny bootstrap, traktując niektóre efekty parametrycznie, a inne nieparametrycznie. Jeśli twój kod ładuje wektory, robisz nieparametryczny bootstrap. Nie mam konkretnego rozwiązania pozwalającego to zrobić w R, ale jeśli spojrzysz na książkę Efrona i Tibshirani lub moją książkę z Robertem LaBudde, zobaczysz kod R dla podobnych typów modeli do liniowego modelu mieszanego.

Michael R. Chernick
źródło
Dzięki @Michael za miłą odpowiedź. Byłbym bardzo wdzięczny za podzielenie się przykładami wszystkich trzech metod ładowania zaimplementowanych w R.
MYaseen208
Nie sądzę, żebym miał przykłady półparametryczne. Nie jestem jeszcze programistą R. Robert LaBudde wykonał całe programowanie R w naszej książce. Podaje przykład parametrycznego bootstrapu zakodowanego w R dla stacjonarnego modelu autoregresyjnego (str. 120-122). Na stronie 10 książki pokazuje wszystkie funkcje ładowania początkowego w R, które pokazują się za pomocą zapytania „> help.search ('bootstrap') Efron i Tibshirani udokumentowali w swojej książce pakiet ładowania początkowego w R, który nazywają„ bootstrap ”innym pakiet ze względu na Davisona i Hinkleya to ich „boot”, o którym można dowiedzieć się więcej w książce bootstrap.
Michael R. Chernick
Należy wspomnieć, że ścisłe nieparametryczne ładowanie modelu mieszanego jest podatne na awarie. Może całkowicie pominąć poziom zmiennej losowej, co zatrzymuje proces.
Bryan
2

Możesz bootMerrzucić okiem na funkcję w wersji rozwojowej lme4,

install_github("lme4",user="lme4")
library(lme4)

które mogą wykonywać oparte na modelach (pół-) parametryczne ładowanie modeli mieszanych ... Po prostu sprawdź ?bootMer

Tom Wenseleers
źródło