Domyślna struktura wariancji-kowariancji jest nieustrukturyzowana - to znaczy, jedynym ograniczeniem macierzy wariancji-kowariancji dla losowego efektu wektorowego z poziomami jest dodatnia. Oddzielne efektów losowych terminy są uważane za niezależne, jednak, więc jeśli chcesz, aby dopasować (np) model z losowym przecięcia i spadku, gdzie przechwytują i nachylenie są nieskorelowane (niekoniecznie dobry pomysł), można użyć formuły , gdzie jest czynnik grupujący; n(1|g) + (0+x|g)
g
0
w drugim terminie tłumi przechwytywanie. Jeśli chcesz dopasować niezależne parametry zmiennej kategorialnej (ponownie, być może budzącej wątpliwości), prawdopodobnie musisz ręcznie zbudować numeryczne zmienne obojętne. Możesz, w pewnym sensie, zbudować złożoną symetryczną strukturę wariancji-kowariancji (chociaż tylko z nieujemnymi kowariancjami), traktując czynnik jako zagnieżdżoną zmienną grupującą. Na przykład, jeśli f
jest czynnikiem, wówczas (1|g/f)
zakłada równe korelacje między poziomami f
.
W przypadku innych / bardziej złożonych struktur kowariancji wariancji, do wyboru (w R) są (1) użycie nlme
(które ma pdMatrix
konstruktory umożliwiające większą elastyczność); (2) zastosowanie MCMCglmm
(które oferuje różnorodne struktury, w tym nieustrukturyzowane, złożone symetryczne, identyczność z różnymi wariancjami lub identyczność z jednorodnymi wariancjami); (3) użyj specjalnego pakietu, takiego jak ten, pedigreemm
który tworzy specjalną strukturę matrycy. Na flexLambda
github istnieje gałąź, która ostatecznie ma nadzieję zapewnić więcej możliwości w tym kierunku.
xxM
pakiet jest również dobrą, ale bardziej skomplikowaną opcją, która umożliwia modelowanie równań struktur. xxm.times.uh.eduMogę to pokazać na przykładzie.
Terminy kowariancji są określone w tej samej formule, co efekty stałe i losowe. Warunki kowariancji są określone przez sposób pisania formuły.
Na przykład:
Tutaj są dwa ustalone efekty, które mogą się zmieniać losowo, i jeden czynnik grupujący
g
. Ponieważ dwa losowe efekty są podzielone na własne terminy, nie zawarto między nimi terminu kowariancji. Innymi słowy, szacowana jest tylko przekątna macierzy wariancji-kowariancji. Zero w drugim członie wyraźnie mówi, że nie należy dodawać losowego terminu przechwytującego ani zezwalać na zmianę istniejącego losowego przechwytywaniax1
.Drugi przykład:
Tutaj określono kowariancję między
x1
efektem przechwytywania a efektami losowymi, ponieważ wszystkie 1 + x1 | g są zawarte w tym samym terminie. Innymi słowy, oszacowano wszystkie 3 możliwe parametry w strukturze wariancji-kowariancji.Nieco bardziej skomplikowany przykład:
Tutaj
x1
efekty przechwytywania i losowe mogą się różnić razem, podczas gdy narzuca się zerową korelację międzyx2
efektem losowym a każdym z pozostałych dwóch. Ponownie a0
jest włączone dox2
pojęcia efektu losowego tylko po to, aby jednoznacznie uniknąć włączenia losowego przechwytywania, które zachowuje kowariancję zx2
efektem losowym.źródło