Modele mieszane to (uogólnione wersje) modele komponentów wariancyjnych. Zapisujesz część ze stałymi efektami, dodajesz terminy błędów, które mogą być wspólne dla niektórych grup obserwacji, w razie potrzeby dodajesz funkcję linku i umieszczasz ją w maksymalizatorze prawdopodobieństwa.
Różne struktury wariancji, które opisujesz, są jednak działającymi modelami korelacji uogólnionych równań szacunkowych, które podważają pewną elastyczność modeli mieszanych / wielopoziomowych pod względem niezawodności wnioskowania. W przypadku GEE interesuje Cię tylko wnioskowanie na części stałej i nic ci nie jest w szacowaniu składników wariancji, jak w modelu mieszanym. W przypadku tych ustalonych efektów otrzymujesz wiarygodne / prawidłowe oszacowanie, które jest odpowiednie, nawet jeśli twoja struktura korelacji jest błędna. Wnioskowanie dla modelu mieszanego załamie się, jeśli model zostanie błędnie określony.
Tak więc, chociaż mają one wiele wspólnego (wielopoziomowa struktura i zdolność do radzenia sobie z korelacjami szczątkowymi), modele mieszane i GEE są nadal nieco odrębnymi procedurami. Pakiet R, który zajmuje się GEE, jest odpowiednio wywoływany gee
, a na liście możliwych wartości corstr
opcji znajdziesz wspomniane struktury.
Z punktu widzenia GEE lmer
działa z wymiennymi korelacjami ... przynajmniej wtedy, gdy model ma dwa poziomy hierarchii i określono tylko losowe przechwyty.
Oddział lmer FlexLamba zapewnia taką funkcjonalność.
Zobacz przykłady https://github.com/lme4/lme4/issues/224, jak zaimplementować określoną strukturę błędów lub efektów losowych.
źródło
Według mojej wiedzy lmer nie ma „łatwego” sposobu na rozwiązanie tego problemu. Biorąc również pod uwagę, że w większości przypadków lmer intensywnie wykorzystuje rzadkie matryce do faktoryzacji Cholesky'ego, uważam, że jest mało prawdopodobne, że pozwala on na całkowicie nieustrukturyzowane VCV.
Wszystko to nie jest stracone dzięki LME: Możesz łatwo określić te atrybuty macierzy VCV, jeśli używasz pakietu R MCMCglmm. Spójrz na CourseNotes.pdf , s.70 . Na tej stronie podano pewne analogie dotyczące definicji struktury efektów losowych lme4, ale jak się przekonacie, lmer jest mniej elastyczny niż MCMCglmm w tej kwestii.
W połowie drogi jest problem z klasami lSM corStruct, np. corCompSymm , corAR1 itd. itd . Odpowiedź Fabiana w tym bieżniku daje bardziej zwięzłe przykłady specyfikacji VCV opartej na lme4, ale jak wspomniano wcześniej, nie są one tak wyraźne jak te w MCMCglmm lub nlme.
źródło