共计 2651 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=20631
咱们曾经学习了如何解决混合效应模型。本文的重点是如何建设和_可视化_ 混合效应模型的后果。
设置
本文应用数据集，用于摸索草食动物种群对珊瑚笼罩的影响。
knitr::opts_chunk$set(echo = TRUE)
library(tidyverse) # 数据处理
library(lme4) # lmer glmer 模型
me_data <- read_csv("mixede.csv")
创立一个根本的混合效应模型：
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）和考察地点作为随机效应（地点）。
。
留神：因为食草动物种群的测量规模存在差别，因而咱们应用标准化的值，否则模型将无奈收敛。咱们还应用了因变量的对数。我正在依据这项特定钻研对数据进行分组。
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：
让咱们更改轴标签和题目。
# 留神：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="草食动物对珊瑚笼罩的影响")
模型后果表输入：
创立模型摘要输出表。这将提供预测变量，包含其估计值，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"),
用数据绘制模型预计
咱们能够在理论数据上绘制模型估计值！咱们一次只针对一个变量执行此操作。留神：数据已标准化以便在模型中应用，因而咱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留到 data.frame 中
# 应用函数。term= 固定效应，mod= 你的模型。effect(term= "c.urchinden", mod= mod)
summary(effects) #值的输入##
## 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：应用效应值 df 绘制估算值
如果要保留根本图（仅固定效应和因变量数据），能够将其合成为独自的步骤。留神：对于该图，我正在基于此特定钻研对数据进行分组。
#根本步骤：#1 创立空图
#2 从数据中增加 geom_points（）#3 为模型预计增加 geom_point。咱们扭转色彩，使它们与数据辨别开来
#4 为 MODEL 的估计值增加 geom_line。扭转色彩以配合预计点。#5 增加具备模型预计置信区间的 geom_ribbon
#6 依据须要编辑标签！#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
1. 基于 R 语言的 lmer 混合线性回归模型
2.R 语言用 Rshiny 摸索 lme4 狭义线性混合模型（GLMM）和线性混合模型（LMM）
3.R 语言线性混合效应模型实战案例
4.R 语言线性混合效应模型实战案例 2
5.R 语言线性混合效应模型实战案例
6. 线性混合效应模型 Linear Mixed-Effects Models 的局部折叠 Gibbs 采样
7.R 语言 LME4 混合效应模型钻研老师的受欢迎水平
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. 应用 SAS，Stata，HLM，R，SPSS 和 Mplus 的分层线性模型 HLM