Proszę wziąć pod uwagę te dane:
dt.m <- structure(list(id = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12), occasion = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("g1", "g2"), class = "factor"), g = c(12, 8, 22, 10, 10, 6, 8, 4, 14, 6, 2, 22, 12, 7, 24, 14, 8, 4, 5, 6, 14, 5, 5, 16)), .Names = c("id", "occasion", "g"), row.names = c(NA, -24L), class = "data.frame")
Dopasowujemy prosty model komponentów wariancyjnych. W R mamy:
require(lme4)
fit.vc <- lmer( g ~ (1|id), data=dt.m )
Następnie produkujemy działkę gąsienicową:
rr1 <- ranef(fit.vc, postVar = TRUE)
dotplot(rr1, scales = list(x = list(relation = 'free')))[["id"]]
Teraz pasujemy do tego samego modelu w Stata. Najpierw napisz do formatu Stata z R:
require(foreign)
write.dta(dt.m, "dt.m.dta")
W Stacie
use "dt.m.dta"
xtmixed g || id:, reml variance
Wyjście zgadza się z wyjściem R (nie pokazano), a my próbujemy wyprodukować ten sam wykres gąsienicy:
predict u_plus_e, residuals
predict u, reffects
gen e = u_plus_e – u
predict u_se, reses
egen tag = tag(id)
sort u
gen u_rank = sum(tag)
serrbar u u_se u_rank if tag==1, scale(1.96) yline(0)
Clearty Stata używa innego standardowego błędu niż R. W rzeczywistości Stata używa 2.13, podczas gdy R używa 1.32.
Z tego, co mogę powiedzieć, pochodzi 1,32 w R.
> sqrt(attr(ranef(fit.vc, postVar = TRUE)[[1]], "postVar")[1, , ])
[1] 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977 1.319977
chociaż nie mogę powiedzieć, że naprawdę rozumiem, co to robi. Czy ktoś może wyjaśnić?
I nie mam pojęcia, skąd pochodzi 2.13 ze Staty, z wyjątkiem tego, że jeśli zmienię metodę szacowania na maksymalne prawdopodobieństwo:
xtmixed g || id:, ml variance
.... to wydaje się używać 1,32 jako błędu standardowego i dawać takie same wyniki jak R ....
.... ale wtedy oszacowanie wariancji efektu losowego nie zgadza się już z R (35,04 vs 31,97).
Wygląda więc na to, że ma to coś wspólnego z ML vs REML: jeśli uruchomię REML w obu systemach, dane wyjściowe modelu są zgodne, ale standardowe błędy użyte na wykresach gąsienicowych się nie zgadzają, natomiast jeśli uruchomię REML w R i ML w Stata , wykresy gąsienicowe są zgodne, ale szacunki modelu nie.
Czy ktoś może wyjaśnić, co się dzieje?
źródło
[XT] xtmixed
i / lub[XT] xtmixed postestimation
? Odnoszą się one do Pinheiro i Batesa (2000), więc przynajmniej niektóre części matematyki muszą być takie same.Odpowiedzi:
Zgodnie z
[XT]
instrukcją dla Stata 11:Ponieważ standardowe błędy Stata ML pasują do standardowych błędów z R w twoim przykładzie, wydaje się, że R nie uwzględnia niepewności przy szacowaniuβ . Czy to powinno, nie wiem.
Z twojego pytania wypróbowałeś REML zarówno w Stata, jak i R, a ML w Stata z REML w R. Jeśli spróbujesz ML w obu, powinieneś uzyskać te same wyniki w obu.
źródło