(挣扎)这里的R用户。我做了一些lme4模型,并试图找到个别的固定效果差异。我是通过将固定效应设计矩阵与固定效应估计向量相乘来估算固定效应分量的方差,然后计算这些拟合值的方差(如Nakagawa和Schielzeth,2013年)。
我得到了一些价值观,但它们有时是消极的。这不对吗?
我也想用这些值来解释方差的百分比,这是怎么做到的呢?当我试图理解所有的数学时,我迷路了,我觉得*100可能是错的.
下面是我的代码示例:
data
Ho SP SL DP DL species
1 0.432 -0.
最近,我一直在尝试将许多随机效应模型拟合到相对较大的数据集中。假设大约有5万人(或更多)在25个时间点观察到。有了这么大的样本数量,我们就包括了很多我们正在调整的预测因子--也许是50个左右的固定效应。我用R中的lme4::glmer将模型拟合成二进制结果,并对每个主题进行随机截取。我不能详细介绍数据,但是我使用的glmer命令的基本格式是:
fit <- glmer(outcome ~ treatment + study_quarter + dd_quarter + (1|id),
family = "binomial", data = d
我有跨国界的面板数据,我想知道IV对二进制学生级结果DV的影响。
我想加入一个嵌套的随机效应,它考虑到学生所在的学校会影响结果,而且不同国家的学校是有意义的不同:(1|country/school)。所以我开始的模型是:
model = glmer(DV ~ IV + (1|country/school), data=data, family = 'binomial')
我也想考虑一下时间趋势。起初,我认为我应该做年度固定效应,但这些国家的政治发展随着时间的推移有很大的不同,我想了解一下,虽然1991年可能使A国的学校陷入混乱,但1991年可能是B国教育经费的重要一年。因此,我
因此,我使用mice包来估算丢失的数据。我刚开始推测,所以我已经到了一个点,但已经跑到了一个陡峭的学习曲线。举个玩具为例:
library(mice)
# Using nhanes dataset as example
df1 <- mice(nhanes, m=10)
因此,正如您所看到的,我使用大多数默认设置计算了df1 10次--我很乐意在回归模型、池结果等中使用这个结果。然而,在我的现实生活数据中,我有来自不同国家的调查数据。因此,不同国家的失踪人数不同,具体变量--即年龄、受教育程度等--的价值也不同。因此,我想将失误归咎于国家,允许按国家进行聚类。因此,我将创建一个没有遗漏的