MCMCglmm
Ostatnio korzystam z pakietu. Jestem zdezorientowany tym, co w dokumentacji nazywane jest strukturą R i strukturą G. Wydaje się, że odnoszą się one do efektów losowych - w szczególności określają parametry wcześniejszego rozkładu na nich, ale dyskusja w dokumentacji wydaje się zakładać, że czytelnik wie, jakie są te warunki. Na przykład:
opcjonalna lista wcześniejszych specyfikacji zawierających 3 możliwe elementy: R (struktura R) G (struktura G) i B (efekty stałe) ............ Priory dla struktur wariancji (R i G ) to listy z oczekiwanymi (ko) wariancjami (V) i parametrem stopnia przekonania (nu) dla odwrotnego Wishart
... zabrane stąd .
EDYCJA: Pamiętaj, że napisałem resztę pytania po komentarzach Stephane'a.
Ktoś może rzucić światło na R Struktura i G-konstrukcji są, w ramach prostego modelu składniki wariancji w którym czynnikiem liniowych
Zrobiłem następujący przykład z niektórymi danymi, które pochodzą MCMCglmm
> require(MCMCglmm)
> require(lme4)
> data(PlodiaRB)
> prior1 = list(R = list(V = 1, fix=1), G = list(G1 = list(V = 1, nu = 0.002)))
> m1 <- MCMCglmm(Pupated ~1, random = ~FSfamily, family = "categorical",
+ data = PlodiaRB, prior = prior1, verbose = FALSE)
> summary(m1)
G-structure: ~FSfamily
post.mean l-95% CI u-95% CI eff.samp
FSfamily 0.8529 0.2951 1.455 160
R-structure: ~units
post.mean l-95% CI u-95% CI eff.samp
units 1 1 1 0
Location effects: Pupated ~ 1
post.mean l-95% CI u-95% CI eff.samp pMCMC
(Intercept) -1.1630 -1.4558 -0.8119 463.1 <0.001 ***
---
> prior2 = list(R = list(V = 1, nu = 0), G = list(G1 = list(V = 1, nu = 0.002)))
> m2 <- MCMCglmm(Pupated ~1, random = ~FSfamily, family = "categorical",
+ data = PlodiaRB, prior = prior2, verbose = FALSE)
> summary(m2)
G-structure: ~FSfamily
post.mean l-95% CI u-95% CI eff.samp
FSfamily 0.8325 0.3101 1.438 79.25
R-structure: ~units
post.mean l-95% CI u-95% CI eff.samp
units 0.7212 0.04808 2.427 3.125
Location effects: Pupated ~ 1
post.mean l-95% CI u-95% CI eff.samp pMCMC
(Intercept) -1.1042 -1.5191 -0.7078 20.99 <0.001 ***
---
> m2 <- glmer(Pupated ~ 1+ (1|FSfamily), family="binomial",data=PlodiaRB)
> summary(m2)
Generalized linear mixed model fit by the Laplace approximation
Formula: Pupated ~ 1 + (1 | FSfamily)
Data: PlodiaRB
AIC BIC logLik deviance
1020 1029 -508 1016
Random effects:
Groups Name Variance Std.Dev.
FSfamily (Intercept) 0.56023 0.74849
Number of obs: 874, groups: FSfamily, 49
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.9861 0.1344 -7.336 2.2e-13 ***
Na podstawie komentarzy Stephane'a myślę, że struktura G jest dla . Ale komentarze mówią również, że struktura R jest dla σ 2 0 e, ale wydaje się, że nie pojawia się to na wyjściu.lme4
Zauważ, że wyniki z lme4/glmer()
są zgodne z oboma przykładami z MCMC MCMCglmm
.
Czy więc struktura R dla i dlaczego nie pojawia się na wyjściu ?lme4/glmer()
źródło
lme4
Odpowiedzi:
Wolałbym zamieścić moje komentarze poniżej jako komentarz, ale to nie wystarczy. To są raczej pytania niż odpowiedź (po prostu na @gung, nie czuję się wystarczająco silny na ten temat).
Mam wrażenie, że MCMCglmm nie implementuje „prawdziwego” Bayesowskiego glmm. Prawdziwy model bayesowski opisano w rozdziale 2 tego artykułu . Podobnie jak w modelu częstym, jeden ma a parametr rozproszenia ϕ 1 jest wymagany dodatkowo oprócz stałych parametrów βg(E(y∣u))=Xβ+Zu ϕ1 β i wariancji „G” efekt losowy .u
Ale zgodnie z tą winietą MCMCglmm model zaimplementowany w MCMCglmm jest określony przez i nie obejmuje parametru dyspersji ϕ 1 . Nie jest podobny do klasycznego modelu częstokroć.g(E(y∣u,e))=Xβ+Zu+e ϕ1
Dlatego nie zdziwiłbym się, że nie ma analogii z brokatem.σe
Przepraszam za te szorstkie komentarze, po prostu rzuciłem okiem na to.
źródło
glmer
MCMCglmm
MCMCglmm
MCMCglmm
przy użyciu różnych parametrów, a 95% wiarygodne przedziały zawsze zawierają wartość wariancji dla oszacowania efektów losowych przez,glmer
więc czułem, że było to uzasadnione , ale jak mam zinterpretować ten przypadek, co może nie być typowe, w wyniku czegoMCMCglmm
interwały nie są bardzo wrażliwe na wybór wcześniejszego? Może powinienem zadać nowe pytanie na ten temat?glmer
Ostatnia uwaga, ponieważ wariancja rezydualna nie jest ustalona na zero, oszacowania nie będą pasować do tych z
glmer
. Musisz je przeskalować. Oto mały przykład (nieużywanie efektów losowych, ale uogólnia). Zwróć uwagę, w jaki sposób wariancja struktury R jest ustalona na 1.Oto stała przeskalowania dla rodziny dwumianowej:
Teraz podziel przez to rozwiązanie i uzyskaj tylne tryby
Co powinno być dość zbliżone do tego, co otrzymujemy
glm
źródło
123
otrzymuję (z korektą)m2
wartości-8.164
i0.421
; oraz zglm
wartości-8.833
i0.430
.