原文链接：http://tecdat.cn/?p=20631
我们已经学习了如何处理混合效应模型。本文的重点是如何建立和可视化 混合效应模型的结果。
设置
本文使用数据集，用于探索草食动物种群对珊瑚覆盖的影响。
-
knitr::opts_chunk$
set(echo =
TRUE)
-
-
library(tidyverse)
# 数据处理
-
library(lme4)
# lmer glmer 模型
-
-
-
-
me_data <- read_csv(
"mixede.csv")
创建一个基本的混合效应模型：
该模型以珊瑚覆盖层为因变量（elkhorn_LAI），草食动物种群和深度为固定效应（c。 urchinden，c.fishmass，c.maxD）和调查地点作为随机效应（地点）。
。
注意：由于食草动物种群的测量规模存在差异，因此我们使用标准化的值，否则模型将无法收敛。我们还使用了因变量的对数。我正在根据这项特定研究对数据进行分组。
summary(mod)
-
#
# Linear mixed model fit by maximum likelihood ['lmerMod']
-
-
#
#
-
#
# AIC BIC logLik deviance df.resid
-
#
# 116.3 125.1 -52.1 104.3 26
-
#
#
-
#
# Scaled residuals:
-
#
# Min 1Q Median 3Q Max
-
#
# -1.7501 -0.6725 -0.1219 0.6223 1.7882
-
#
#
-
#
# Random effects:
-
#
# Groups Name Variance Std.Dev.
-
#
# site (Intercept) 0.000 0.000
-
#
# Residual 1.522 1.234
-
#
# Number of obs: 32, groups: site, 9
-
#
#
-
#
# Fixed effects:
-
#
# Estimate Std. Error t value
-
#
# (Intercept) 10.1272 0.2670 37.929
-
#
# c.urchinden 0.5414 0.2303 2.351
-
#
# c.fishmass 0.4624 0.4090 1.130
-
#
# c.maxD 0.3989 0.4286 0.931
-
#
#
-
#
# Correlation of Fixed Effects:
-
#
# (Intr) c.rchn c.fshm
-
#
# c.urchinden 0.036
-
#
# c.fishmass -0.193 0.020
-
#
# c.maxD 0.511 0.491 -0.431
-
#
# convergence code: 0
-
#
# boundary (singular) fit: see ?isSingular
绘制效应大小图：
如果您有很多固定效应，这很有用。
plot(mod)
效应大小的格式化图：
让我们更改轴标签和标题。
-
# 注意：轴标签应按从下到上的顺序排列。
-
# 要查看效应大小和p值，设置show.values和show.p= TRUE。只有当效应大小的值过大时，才会显示P值。
-
title=
"草食动物对珊瑚覆盖的影响")
模型结果表输出：
创建模型摘要输出表。这将提供预测变量，包括其估计值，置信区间，估计值的p值以及随机效应信息。
tab(mod)
格式化表格
-
# 注：预测标签（pred.labs）应从上到下排列；dv.labs位于表格顶部的因变量的名称。
-
-
-
pred.labels =c(
"(Intercept)",
"Urchins",
"Fish",
"Depth"),
用数据绘制模型估计
我们可以在实际数据上绘制模型估计值！我们一次只针对一个变量执行此操作。注意：数据已标准化以便在模型中使用，因此我们绘制的是标准化数据值，而不是原始数据
步骤1：将效应大小估算值保存到data.frame中
-
# 使用函数。 term=固定效应，
mod=你的模型。
-
-
effect(term=
"c.urchinden",
mod=
mod)
-
summary(effects) #值的输出
-
#
#
-
#
# c.urchinden effect
-
#
# c.urchinden
-
#
# -0.7 0.4 2 3 4
-
#
# 9.53159 10.12715 10.99342 11.53484 12.07626
-
#
#
-
#
# Lower 95 Percent Confidence Limits
-
#
# c.urchinden
-
#
# -0.7 0.4 2 3 4
-
#
# 8.857169 9.680160 10.104459 10.216537 10.306881
-
#
#
-
#
# Upper 95 Percent Confidence Limits
-
#
# c.urchinden
-
#
# -0.7 0.4 2 3 4
-
#
# 10.20601 10.57414 11.88238 12.85314 13.84563
-
# 将效应值另存为df：
-
x <-
as.
data.frame(effects)
步骤2：使用效应值df绘制估算值
如果要保存基本图（仅固定效应和因变量数据），可以将其分解为单独的步骤。注意：对于该图，我正在基于此特定研究对数据进行分组。
-
＃基本步骤：
-
＃1创建空图
-
-
#2 从数据中添加geom_points（）
-
-
#3 为模型估计添加geom_point。我们改变颜色，使它们与数据区分开来
-
-
#4 为MODEL的估计值添加geom_line。改变颜色以配合估计点。
-
-
#5 添加具有模型估计置信区间的geom_ribbon
-
-
#6 根据需要编辑标签！
-
-
#1
-
chin_plot
<- ggplot() +
-
#2
-
geom_point(data , +
-
#3
-
geom_point(data=x_, aes(x= chinde, y=fit), color="blue") +
-
#4
-
geom_line(data=x, aes(x= chinde, y=fit), color="blue") +
-
#5
-
geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") +
-
#6
-
labs(x="海胆（标准化）", y="珊瑚覆盖层")
-
-
chin_plot
最受欢迎的见解
2.R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）
6.线性混合效应模型Linear Mixed-Effects Models的部分折叠Gibbs采样
8.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长
9.使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
转载：https://blog.csdn.net/qq_19600291/article/details/114145428
查看评论