Mam dane zebrane z eksperymentu zorganizowane w następujący sposób:
Dwa miejsca, każde z 30 drzewami. 15 jest leczonych, 15 kontroluje w każdym miejscu. Z każdego drzewa pobieramy próbki trzech kawałków łodygi i trzech kawałków korzeni, a więc 6 poziomów 1 próbki na drzewo, które jest reprezentowane przez jeden z dwóch poziomów czynników (korzeń, łodyga). Następnie z tych próbek łodygi / korzenia pobieramy dwie próbki, dzieląc różne tkanki w próbce, co jest reprezentowane przez jeden z dwóch poziomów czynników dla typu tkanki (typ tkanki A, typ tkanki B). Próbki te są mierzone jako zmienna ciągła. Całkowita liczba obserwacji wynosi 720; 2 stanowiska * 30 drzew * (trzy próbki łodygi + trzy próbki korzenia) * (jedna próbka tkanki A + jedna próbka tkanki B). Dane wyglądają tak ...
ï..Site Tree Treatment Organ Sample Tissue Total_Length
1 L LT1 T R 1 Phloem 30
2 L LT1 T R 1 Xylem 28
3 L LT1 T R 2 Phloem 46
4 L LT1 T R 2 Xylem 38
5 L LT1 T R 3 Phloem 103
6 L LT1 T R 3 Xylem 53
7 L LT1 T S 1 Phloem 29
8 L LT1 T S 1 Xylem 21
9 L LT1 T S 2 Phloem 56
10 L LT1 T S 2 Xylem 49
11 L LT1 T S 3 Phloem 41
12 L LT1 T S 3 Xylem 30
Próbuję dopasować model efektów mieszanych przy użyciu R i Lme4, ale jestem nowy w modelach mieszanych. Chciałbym modelować odpowiedź jako Czynnik + Czynnik Poziomu 1 (łodyga, korzeń) + Czynnik Poziomu 2 (tkanka A, tkanka B), z losowymi efektami dla określonych próbek zagnieżdżonych na dwóch poziomach.
W R robię to za pomocą lmer, jak następuje
fit <- lmer(Response ~ Treatment + Organ + Tissue + (1|Tree/Organ/Sample))
Z mojego zrozumienia (... co nie jest pewne i dlaczego publikuję!) Termin:
(1|Tree/Organ/Sample)
Określa, że „Próbka” jest zagnieżdżona w próbkach organów, które są zagnieżdżone w drzewie. Czy tego rodzaju zagnieżdżanie jest ważne / ważne? Przepraszamy, jeśli to pytanie nie jest jasne, jeśli tak, proszę podać, gdzie mogę je rozwinąć.
Przeczytałem to pytanie i odpowiedź doktora Bolkera i próbowałem powielić dane (szczerze mówiąc, nie dbając o to, co „długość” reprezentuje w kategoriach biologicznych lub jednostkach, a następnie dopasowałem model jak powyżej. Zamieszczam wyniki tutaj do dzielenia się i szukania informacji zwrotnej na temat prawdopodobnych nieporozumień.
Kod, którego użyłem do wygenerowania tych fikcyjnych danych, można znaleźć tutaj , a zestaw danych ma wewnętrzną strukturę OP:
Struktura jest następująca:
Zestaw danych został „sfałszowany” (mile widziane tutaj opinie):
treatment
istnieje ustalony efekt z dwoma wyraźnymi punktami przechwytywania dla leczenia w porównaniu do kontroli (w100
porównaniu70
) i brak efektów losowych.tissue
z widocznymi stałymi efektami z bardzo różnymi punktami przechwytywania dlaphloem
kontraxylem
(3
kontra6
) i losowymi efektami zsd = 3
.organ
sd = 3
6
root
stem
tree
mamy po prostu losowe efekty zsd = 7
.sample
Próbowałem założyć tylko z efektów losowychsd = 5
.site
również po prostu losowych efektów zsd = 3
.Nie ustalono nachyleń ze względu na kategoryczny charakter zmiennych.
Wyniki modelu mieszanych efektów:
byli:
Jak to zadziałało:
treatment
przechwytywania bez leczenia było79.8623
(ustawiłem średnią70
), a przy leczeniu było79.8623 + 21.4368 = 101.2991
(ustawiliśmy średnią)100
.tissue
nastąpił3.1820
wpis do uprzejmości osiąxylem
, a ja ustawić różnicę pomiędzyphloem
ixylem
od3
. Losowe efekty nie były częścią modelu.organ
, próbek zstem
zwiększyło przechwycenia przez0.1856
- Miałem założyć żadnej różnicy w trwałych efektów pomiędzystem
iroot
. Standardowe odchylenie tego, co chciałem działać jako efekty losowe, nie zostało odzwierciedlone.tree
losowe efekty z SD7
powierzchniowe jak ładnie7.027
.sample
, inicjałsd
nie5
został podkreślony jako3.088
.site
nie był częścią modelu.Ogólnie rzecz biorąc, wydaje się, że model pasuje do struktury danych.
źródło