Czy poprawnie określam swój model Lmer?

9

Przeszukałem Google i tę stronę i nadal jestem zdezorientowany co do funkcji lmer w bibliotece lme4.

Mam dane zebrane z różnych oddziałów psychiatrycznych, które mają wielopoziomową strukturę. Aby uprościć, wybiorę dwie zmienne poziomu 2 i dwie zmienne poziomu 1, chociaż tak naprawdę mam kilka innych.

Poziom 2 - WardSize [jest to liczba osób na oddziale] i WAS [jest to miara tego, jak „miły” jest oddział ”

Zmienna grupująca, która mówi R, kto jest w okręgu, nazywa się „Totem”

Poziom pierwszy - Płeć [oczywiście płeć] i BSITotal [jest to miara nasilenia objawów]

Rezultatem jest Selfreject, co znów brzmi tak.

Mam tę formułę:

help = lmer (formuła = Selfreject ~ WardSize + WAS + Płeć + BSITotal + (1 | Ward))

Mam nadzieję, że oznacza to, że „każda osoba ma ocenę związaną z własną płcią i nasileniem objawów, a także efekt na poziomie oddziału odnoszący się do wielkości oddziału i tego, jak„ miły ”jest”

Czy to jest poprawne? Mylące jest to, że nie widzę, jak R może stwierdzić, które zmienne są na poziomie 1, a które na poziomie 2, z wyjątkiem przechwytywania poziomu totemu podanego na końcu.

Gdyby ktoś mógł wyjaśnić notację, żeby taki idiota jak ja zrozumiał, byłoby jeszcze lepiej.

Wielkie dzięki!

Chris Beeley
źródło

Odpowiedzi:

11

Specyfikacja twojego modelu jest w porządku.

Różnicowe przechwytywanie totemu, określone w lmer, tak jak zrobiłeś to z (1 | totem), mówi, że badani na każdym totemie mogą być bardziej do siebie podobni na Selfreject z powodów innych niż WardSize lub Płeć, więc kontrolujesz dla heterogeniczność między oddziałami.

Możesz myśleć o „1” jak o kolumnie 1s (tj. Stałej) w danych, do których pasuje przecięcie. Zazwyczaj „1” jest na przykład automatycznie przypisywane w lm

lm(Y ~ X1 + X2)

faktycznie określa

lm(Y ~ 1 + X1 + X2)

Teraz, gdy masz już swój podstawowy model, możesz zacząć zadawać dalsze pytania, takie jak: „Czy relacja między BSItotal a autorejectem różni się między totemami ?”

lmer(formula=Selfreject ~ WardSize + WAS + Gender + BSITotal + (1 + BSITotal | Ward))

Oznacza to, że zarówno przecięcie, jak i nachylenie BSITotal mogą się różnić między totemami.

Jeśli jeszcze tego nie zauważyłeś, analiza danych Gelman & Hill za pomocą regresji i modelu wielopoziomowego / modeli hierarchicznych jest świetną książką, która wyjaśnia dopasowanie modeli takich jak ten z lmerem.

M. Adams
źródło
1

Oto link do wyjaśnienia Douglasa Batesa (który napisał lme4), dlaczego nie jest konieczne określenie poziomu dla ustalonych efektów.

Breyer
źródło
2
Witamy na stronie @Breyer. Podejrzewam, że jest to pomocny wkład. Czy mógłbyś podać tam krótkie streszczenie argumentu, aby czytelnicy mogli zdecydować, czy tego właśnie szukają, czy też w przypadku przyszłego linkrotu?
Gung - Przywróć Monikę
2
Dzięki za powitanie @ gung. Jasne, Bates wyjaśnia, że ​​nie trzeba określać poziomów dla stałych efektów, ponieważ pakiet lme4 jest napisany dla modeli mieszanych, w tym między innymi dla modeli wielopoziomowych / hierarchicznych. Oznacza to, że metody obliczeniowe nie opierają się na specyfikacji poziomów, jak ma to miejsce w przypadku specjalistycznego oprogramowania do regresji wielopoziomowej (HLM itp.), Które wykorzystuje zagnieżdżoną strukturę danych w obliczeniach.
Breyer,