前往小程序，Get更优阅读体验！
立即前往
文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
腾讯云架构师技术同盟
文章/答案/技术大牛
发布
首页
学习
活动
专区
工具
TVP腾讯云架构师技术同盟
返回腾讯云官网
社区首页 >专栏 >混合线性模型中固定因子和随机因子的检验

混合线性模型中固定因子和随机因子的检验

作者头像
邓飞
发布于 2019-07-07 15:33:22
发布于 2019-07-07 15:33:22
1.8K00
代码可运行
举报
文章被收录于专栏：育种数据分析之放飞自我育种数据分析之放飞自我
运行总次数：0
代码可运行

问题: 如何使用asreml进行固定因子的wald检验和随机因子的LRT检验?

代码如下:

代码语言：javascript
代码运行次数：0
复制
library(learnasreml)
data("repeatmodel.dat")
data("repeatmodel.ped")
dat = repeatmodel.dat
ped = repeatmodel.ped

head(ped)
head(dat)

str(dat)

# 固定因子wald检验: 不考虑随机因子
library(asreml)
m1 = asreml(LAYDATE ~ BYEAR + AGE + YEAR, data=dat)
wald(m1)

# 固定因子wald检验: 加性效应作为随机因子
ainv = asreml.Ainverse(ped)$ginv
m2 = asreml(LAYDATE ~ BYEAR + AGE + YEAR, random = ~ ped(ANIMAL), ginverse = list(ANIMAL = ainv), data=dat)
wald(m2)

# 判断随机因子:LRT检验--加性效应 + BYEAR
m3 = asreml(LAYDATE ~ AGE + YEAR, random = ~ ped(ANIMAL) + BYEAR, ginverse = list(ANIMAL = ainv), data=dat)
wald(m3)

# 判断随机因子:LRT检验--加性效应
m4 = asreml(LAYDATE ~ AGE + YEAR, random = ~ ped(ANIMAL), ginverse = list(ANIMAL = ainv), data=dat)
wald(m4)

# LRT检验: BYEAR显著性
model.comp(m3,m4)
lrt.asreml(m3,m4)
summary(m3)$varcomp

结果如下:

代码语言：javascript
代码运行次数：0
复制
> library(learnasreml)
> data("repeatmodel.dat")
> data("repeatmodel.ped")
> dat = repeatmodel.dat
> ped = repeatmodel.ped
> 
> head(ped)
    ID FATHER MOTHER
1 1306      0      0
2 1304      0      0
3 1298      0      0
4 1293      0      0
5 1290      0      0
6 1288      0      0
> head(dat)
  ANIMAL BYEAR AGE YEAR LAYDATE
1      1   990   2  992      19
2      1   990   3  993      23
3      1   990   4  994      24
4      1   990   5  995      23
5      1   990   6  996      29
6      2   990   2  992      21
> 
> str(dat)
'data.frame':  1607 obs. of  5 variables:
 $ ANIMAL : Factor w/ 469 levels "1","2","3","8",..: 1 1 1 1 1 2 2 2 3 3 ...
 $ BYEAR  : Factor w/ 34 levels "968","970","971",..: 22 22 22 22 22 22 22 22 22 22 ...
 $ AGE    : Factor w/ 5 levels "2","3","4","5",..: 1 2 3 4 5 1 2 3 1 2 ...
 $ YEAR   : Factor w/ 39 levels "970","971","972",..: 23 24 25 26 27 23 24 25 23 24 ...
 $ LAYDATE: int  19 23 24 23 29 21 17 21 20 20 ...
> 
> # 固定因子wald检验: 不考虑随机因子
> library(asreml)
> m1 = asreml(LAYDATE ~ BYEAR + AGE + YEAR, data=dat)
ASReml: Tue May 28 17:54:30 2019

     LogLik         S2      DF      wall     cpu
  -3204.9852     20.4837  1532  17:54:30     0.0
  -3204.9852     20.4837  1532  17:54:30     0.0

Finished on: Tue May 28 17:54:30 2019
 
LogLikelihood Converged 
> wald(m1)
Wald tests for fixed effects

Response: LAYDATE

Terms added sequentially; adjusted for those above

              Df Sum of Sq Wald statistic Pr(Chisq)    
(Intercept)    1    890547          43476 < 2.2e-16 ***
BYEAR         33      4127            201 < 2.2e-16 ***
AGE            4      5967            291 < 2.2e-16 ***
YEAR          37     10478            512 < 2.2e-16 ***
residual (MS)           20                             
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> 
> # 固定因子wald检验: 加性效应作为随机因子
> ainv = asreml.Ainverse(ped)$ginv
> m2 = asreml(LAYDATE ~ BYEAR + AGE + YEAR, random = ~ ped(ANIMAL), ginverse = list(ANIMAL = ainv), data=dat)
ASReml: Tue May 28 17:54:31 2019

     LogLik         S2      DF      wall     cpu
  -3098.9187     16.5248  1532  17:54:31     0.0
  -3037.0822     14.2991  1532  17:54:31     0.0
  -2958.8975     11.5365  1532  17:54:31     0.0
  -2898.4341      9.1074  1532  17:54:31     0.0
  -2886.2639      8.2103  1532  17:54:31     0.0
  -2885.3686      7.9751  1532  17:54:31     0.0
  -2885.3529      7.9436  1532  17:54:31     0.0
  -2885.3528      7.9413  1532  17:54:31     0.0
  -2885.3528      7.9411  1532  17:54:31     0.0

Finished on: Tue May 28 17:54:31 2019
 
LogLikelihood Converged 
> wald(m2)
Wald tests for fixed effects

Response: LAYDATE

Terms added sequentially; adjusted for those above

              Df Sum of Sq Wald statistic Pr(Chisq)    
(Intercept)    1     40784         5135.8 < 2.2e-16 ***
BYEAR         33       741           93.3 1.156e-07 ***
AGE            4      5710          719.0 < 2.2e-16 ***
YEAR          37     10067         1267.7 < 2.2e-16 ***
residual (MS)            8                             
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> 
> # 判断随机因子:LRT检验--加性效应 + BYEAR
> m3 = asreml(LAYDATE ~ AGE + YEAR, random = ~ ped(ANIMAL) + BYEAR, ginverse = list(ANIMAL = ainv), data=dat)
ASReml: Tue May 28 17:54:31 2019

     LogLik         S2      DF      wall     cpu
  -3129.1357     16.3796  1564  17:54:31     0.0
  -3065.6565     14.2386  1564  17:54:31     0.0
  -2986.7479     11.5460  1564  17:54:31     0.0
  -2925.8431      9.1373  1564  17:54:31     0.0
  -2913.2394      8.2336  1564  17:54:31     0.0 (1 restrained)
  -2912.3615      8.0474  1564  17:54:31     0.0 (1 restrained)
  -2912.2567      7.9822  1564  17:54:31     0.0 (1 restrained)
  -2912.2462      7.9615  1564  17:54:31     0.0 (1 restrained)
  -2912.2452      7.9552  1564  17:54:31     0.0
  -2912.2451      7.9526  1564  17:54:31     0.0
  -2912.2451      7.9524  1564  17:54:31     0.0

Finished on: Tue May 28 17:54:31 2019
 
LogLikelihood Converged 
> wald(m3)
Wald tests for fixed effects

Response: LAYDATE

Terms added sequentially; adjusted for those above

              Df Sum of Sq Wald statistic Pr(Chisq)    
(Intercept)    1     40918         5145.4 < 2.2e-16 ***
AGE            4      5760          724.3 < 2.2e-16 ***
YEAR          38     10499         1320.2 < 2.2e-16 ***
residual (MS)            8                             
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> 
> # 判断随机因子:LRT检验--加性效应
> m4 = asreml(LAYDATE ~ AGE + YEAR, random = ~ ped(ANIMAL), ginverse = list(ANIMAL = ainv), data=dat)
ASReml: Tue May 28 17:54:31 2019

     LogLik         S2      DF      wall     cpu
  -3128.7714     16.7962  1564  17:54:31     0.0
  -3066.5923     14.5295  1564  17:54:31     0.0
  -2987.7729     11.7012  1564  17:54:31     0.0
  -2925.9143      9.1801  1564  17:54:31     0.0
  -2913.2145      8.2381  1564  17:54:31     0.0
  -2912.2628      7.9895  1564  17:54:31     0.0
  -2912.2452      7.9553  1564  17:54:31     0.0
  -2912.2451      7.9526  1564  17:54:31     0.0
  -2912.2451      7.9524  1564  17:54:31     0.0

Finished on: Tue May 28 17:54:31 2019
 
LogLikelihood Converged 
> wald(m4)
Wald tests for fixed effects

Response: LAYDATE

Terms added sequentially; adjusted for those above

              Df Sum of Sq Wald statistic Pr(Chisq)    
(Intercept)    1     40918         5145.4 < 2.2e-16 ***
AGE            4      5760          724.3 < 2.2e-16 ***
YEAR          38     10499         1320.2 < 2.2e-16 ***
residual (MS)            8                             
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> 
> # LRT检验: BYEAR显著性
> model.comp(m3,m4)
  model     AIC      BIC AIC.stat BIC.stat
1    m3 5830.49 5846.555                  
2    m4 5828.49 5839.200   better   better
> lrt.asreml(m3,m4)
Likelihood ratio test(s) assuming nested random models.
Chisq probability adjusted using Stram & Lee, 1994.

      Df LR statistic Pr(Chisq)    
m4/m3  0   1.0339e-06 < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

划重点:

1, wald和anova对于asreml是一样的, 因为asreml中有anova这个类, 可以调用aonva.asreml 进行wald检验

2, learnasreml是我编写的包, 安装方法:

代码语言：javascript
代码运行次数：0
复制
devtools::install_github("dengfei2013/learnasreml")

3, LRT检验, 可以手动进行, 也可以使用lrt.asreml函数进行检验.

祝你成功.

下面是使用lme4的解决方案:

很多朋友写信问我， 像要知道固定因子的显著性和随机因子的显著性如何计算，他们使用的是lme4这个R包, 但是这个包使用anova时没有P值,还要手动计算, 随机因子也需要自己计算loglikelihood值, 然后使用LRT的卡方检验进行显著性检验, 其实lme4包有扩展的包可以非常友好的做这件事情.

1. 载入数据和软件包

代码语言：javascript
代码运行次数：0
复制
###载入软件包和数据
library(lme4)
library(lmerTest)
library(sjstats)
library(learnasreml)
data(fm)

2. 软件包介绍

lme4

  • R语言中最流行的混合线性包
  • 结果不太友好, 所以才有下面两个包作为辅助
  • 安装方法 install.packages("lme4")

lmerTest

  • 主要是用于检测lme4对象的固定因子和随机因子,它有两个函数:
  • lmerTest::anova.lmerModLmerTest用于检测固定因子的显著性, 方差分析表采用III平方和的形式.
  • lmerTest::ranova用于检测随机因子的显著性, 使用的是LRT检验, 给出的是卡方结果.
  • 安装方法
代码语言：javascript
代码运行次数：0
复制
install.packages("lmerTest")

sjstats

  • 可以计算R2
  • 可以提取方差组分
  • 安装方法
代码语言：javascript
代码运行次数：0
复制
install.packages("lmerTest")

3. 使用lme4进行混合线性分析

模型介绍

  • 固定因子: Spacing + Rep
  • 随机因子: Fam

建模

固定因子: Spacing+Rep, 随机因子: Fam

代码语言：javascript
代码运行次数：0
复制
fm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)

固定因子检验

代码语言：javascript
代码运行次数：0
复制
anova(fm1) # 固定因子显著性检验

可以看到Spacing 和Rep都达到极显著

随机因子显著性检验

代码语言：javascript
代码运行次数：0
复制
ranova(fm1) # 随机因子显著性检验,LRT

可以看到Fam达到极显著

计算R2

代码语言：javascript
代码运行次数：0
复制
r2(fm1) # 计算R2
R-Squared for Generalized Linear Mixed Model

[34mFamily : gaussian (identity)
Formula: h1 ~ Spacing + Rep + (1 | Fam)

[39m   Marginal R2: 0.116
Conditional R2: 0.277

计算固定因子每个水平的P值

代码语言：javascript
代码运行次数：0
复制
p_value(fm1) # 计算每个水平的显著性

term

p.value

std.error

(Intercept)

1.535094e-127

0.7915991

Spacing3

4.957481e-09

0.5463546

Rep2

2.886600e-01

0.8082299

Rep3

7.443430e-08

0.8218056

Rep4

1.720753e-10

0.7995633

Rep5

4.635631e-01

0.7663026

提取方差组分

代码语言：javascript
代码运行次数：0
复制
re_var(fm1) # 计算方差组分
_sigma_2     
50.7633345854535

   Fam_tau.00       
11.3168413429073

4. 使用asreml进行对照

建模

代码语言：javascript
代码运行次数：0
复制
library(asreml)
fm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm,trace=F)

固定因子检验

代码语言：javascript
代码运行次数：0
复制
anova(fm2) # 固定因子显著性检验, 这里anova 是anova.asreml

随机因子显著性检验

这里首先构建一个空模型, 然后使用LRT检验

代码语言：javascript
代码运行次数：0
复制
fm_Null = asreml(h1 ~ Spacing + Rep, data=fm,trace=F)
lrt.asreml(fm2,fm_Null) # 随机因子显著性检验LRT
代码语言：javascript
代码运行次数：0
复制
summary(fm2)$varcomp[,1:2] # 方差组分

5. 关于混合线性模型计算R2

还有一个包叫MuMIn,也可以计算R2

代码语言：javascript
代码运行次数：0
复制
library(MuMIn)
r.squaredLR(fm1)#计算R2

0.217233511687581

6. 完整代码分享

代码语言：javascript
代码运行次数：0
复制
# 混合线性模型, 如何检测固定因子和随机因子

###载入数据
library(lme4)
library(lmerTest)
library(sjstats)
library(learnasreml)
data(fm)
str(fm)

### 固定因子: Spacing+Rep, 随机因子: Fam
fm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)
summary(fm1)

anova(fm1) # 固定因子显著性检验
ranova(fm1) # 随机因子显著性检验,LRT

r2(fm1) # 计算R2

p_value(fm1) # 计算每个水平的显著性

re_var(fm1) # 计算方差组分

### 对比asreml
fm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm)
anova(fm2) # 固定因子显著性检验, 这里anova 是anova.asreml
fm_Null = asreml(h1 ~ Spacing + Rep, data=fm)
lrt.asreml(fm2,fm_Null) # 随机因子显著性检验LRT
summary(fm2)$varcomp[,1:2] # 方差组分

library(MuMIn)
r.squaredLR(fm1)#计算R2
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2019-05-28，如有侵权请联系 cloudcommunity@tencent.com 删除
actionscript

本文分享自 育种数据分析之放飞自我 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ，欢迎热爱写作的你一起参与！

actionscript
评论
登录后参与评论
0 条评论
热度
最新
登录 后参与评论
推荐阅读
目录
  • 1. 载入数据和软件包
  • 2. 软件包介绍
  • 3. 使用lme4进行混合线性分析
  • 4. 使用asreml进行对照
  • 6. 完整代码分享
领券

腾讯云开发者

扫码关注腾讯云开发者

扫码关注腾讯云开发者

领取腾讯云代金券

热门产品

热门推荐

更多推荐

Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有 

深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

腾讯云计算（北京）有限责任公司 京ICP证150476号 |  京ICP备11018762号 | 京公网安备号11010802020287

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档

Copyright © 2013 - 2025 Tencent Cloud.

All Rights Reserved. 腾讯云 版权所有

登录 后参与评论