共计 3343 个字符，预计需要花费 9 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=24134
测试非线性回归中的交互作用
因子试验在农业中十分广泛，它们通常用于测试试验因素之间相互作用的重要性。例如，能够在两种不同的施氮程度（例如高和低）下进行基因型评估，以理解基因型的排名是否取决于营养的可用性。对于那些不太理解农业的人，我只会说这样的评估是相干的，因为咱们须要晓得咱们是否能够举荐雷同的基因型，例如，在传统农业（高氮可用性）和有机农业中农业氮的可用性。
让咱们思考一个试验，在该试验中，咱们在残缺的区组因子设计中以两种氮含量（“高”和“低”）测试了三种基因型（为了简便起见，咱们称它们为 A、B 和 C），并进行四次反复。在八个不同的工夫（收获后天数：DAS）从 24 个地块中的每一个中取出生物量子样本，以评估生物量随工夫的增长。
加载数据并将“Block”变量转换为一个因子。
head(dataset)
数据集由以下变量组成：
- ‘Id’：察看的数字代码
- ‘DAS’：即收获后的天数。这是采集样本的时刻
- ‘Block’, ‘Plot’, ‘GEN’ 和 ‘N’ 别离代表每个察看的块、图、基因型和氮程度
- “产量”代表播种的生物量。
查看察看到的增长数据，如下图所示。
咱们看到增长是对称的（大略是逻辑的）并且察看的方差随着工夫的推移而减少，即方差与冀望因变量成正比。
问题是：咱们如何剖析这些数据？
模型
咱们能够凭教训假如生物量和工夫之间的关系是逻辑的：
其中 Y 是第 i 个基因型、第 j 个氮程度、第 k 个区块和第 l 个小区在 X 工夫察看到的生物量产量，d 是工夫进入无穷大时的最大渐进生物量程度，b 是拐点处的斜率，而 e 是生物量产量等于 d / 2 时的工夫。咱们次要对参数 d 和 e 感兴趣：第一个参数形容基因型的产量后劲，而第二个参数给出成长速度的测量。
每个小区都有反复测量，因而，模型参数可能显示出一些变动，取决于基因型、氮程度、区块和小区。特地是，假如 b 是相当恒定的，并且独立于上述因素，而 d 和 e 可能依据以下公式发生变化，这是能够承受的。
其中，对于每个参数，μμ 是截距，gg 是第 i 个基因型的固定效应，NN 是第 j 个氮程度的固定效应，gNgN 是固定交互效应，θ 是区块的随机效应，而 ζζ 是区块边疆块的随机效应。这两个方程齐全等同于通常用于线性混合模型的方程，在双因素因子区块设计的状况下，其中 ζζ 是残差误差项。事实上，原则上，咱们也能够思考两步法的拟合程序，即咱们。
- 将逻辑模型拟合到每个图的数据并取得 d 和 e 的估计值
- 应用这些预计来拟合线性混合模型
咱们不会在这里谋求这种两步法，咱们将专一于一步拟合。
谬误的办法
如果察看是独立的（即没有块和没有反复测量），这个模型能够通过应用传统的非线性回归来拟合。
编码报告如下。产量 “ 是(∼)DAS 的函数，通过一个三参数的 Logistic 函数。对于基因型和氮程度的不同组合必须拟合不同的曲线（id = N:GEN），只管这些曲线应该局部地基于独特的参数值（’models = …）。model” 参数须要一些补充阐明。它必须是一个矢量，其元素数与模型中的参数数一样多（在本例中是三个：B、D 和 E）。每个元素代表一个变量的线性函数，并按字母程序指向参数，即第一个元素指 b，第二个指 d，第三个指 e。参数 b 不依赖于任何变量（’~1’），因而在不同的曲线上拟合出一个常数；d 和 e 依赖于基因型和氮程度的齐全因子组合（~N*GEN = ~N + GEN + N:GEN）。最初，咱们应用参数 ’bcVal = 0.5’ 来指定咱们打算应用转换两边办法，即对方程的两边进行对数转换。这对于思考异方差是必要的，但它不影响参数估计。
rm(Yield ~ DAS, dta =daas,
id = GEN：N,
model = c(~ 1, ~ N\*GEN, ~ N\*GEN))这个模型对于其余状况（无区块和无反复测量）可能是有用的，但在咱们的例子中是谬误的。事实上，观测值在区块和地块内是聚在一起的；如果疏忽这一点，咱们就违反了模型残差独立的假如。残差与拟合值的图显示，不存在异方差的问题。
思考到上述情况，咱们必须在这里应用不同的模型，只管我将证实这种拟合可能会很有用。
非线性混合模型拟合
为了解释察看的类，咱们切换到非线性混合效应模型（NLME）。一个不错的抉择是 ’nlme()’ 函数（Pinheiro 和 Bates，2000），只管有时语法可能很麻烦。咱们须要指定以下内容：
- 模型参数的线性函数。nlme’ 函数中的 ’fixed’ 参数与下面函数中的 ’models’ 参数十分类似，即它须要一个列表，其中每个元素都是变量的线性函数。惟一的区别是，参数名称须要在函数的左侧指定。
- 模型参数的随机效应。这些是通过应用 “ 随机 “ 参数来指定的。在这种状况下，参数 d 和 e 无望在一个区块内的不同区块和不同地块之间显示随机变动。为了简略起见，因为参数 b 不受基因型和氮程度的影响，咱们也心愿它在区块和地块之间不显示任何随机变动。
- 模型参数的起始值。咱们须要指定模型参数的初始值。在这种状况下，我决定应用下面非线性回归的输入。
方程两边的变换。
nlme(sqtYld ~ srtLS.L3(DAS, b, d, e)
tTable
从上图中，咱们看到整体拟合良好。随机效应的固定效应和方差重量按如下形式取得：
summary(mdnle1)
当初，让咱们回到咱们最后的目标：测试 “ 基因型 x 氮 “ 交互作用的显著性。事实上，咱们有两个可用的测试：一个是参数 d，一个是参数 e。首先，咱们对两个 “ 简化 “ 模型进行编码。为此，咱们把固定效应从 ’~ N*GEN’ 改为 ’~ N + GEN’。同样在这种状况下，咱们应用非线性回归拟合来取得模型参数的起始值，用于上面的 NLME 模型拟合。
mdNave2 <- Yied ~ DAS
modes = c( ~ 1, ~ N + GEN, ~ N * GEN
mdnle2 <-sqrt(Yeld) ~ sqrt(NS.3(DAS, b, d, e
mdaie3 <- Yied ~ DAS
crid = N:GEN
modls = c( ~ 1, ~ N*GEN, ~ N + GEN
mdne3 <- sqrt(Yild) ~ sqrt(NS.L3(DAS, b, d, e
ranom = d + e~ 1|Blck/Pot
fixd = lit(b ~ 1 d ~ N*GN, e ~ N + GN)让咱们思考第一个放大的模型 ’modnlme2’。在这个模型中，” 基因型 x 氮 “ 的交互作用曾经被移除，用于 d 参数。咱们能够通过应用似然比测验来比拟这个模型和残缺的模型 “modnlme1″。
aova(mode1, mdne2)
该测验是显著的，但两个模型的 AIC 值十分靠近。思考到混合模型中的 LRT 通常比拟宽松，应该能够得出结论，” 基因型 x 氮素 “ 的交互作用不显著，因而，用 d 参数掂量的基因型在产量后劲方面的排名应该与氮素程度无关。
当初让咱们思考第二个简化模型“modnlme3”。在第二个模型中，“e”参数的“基因型 x 氮”交互作用已被删除。咱们还能够应用似然比测验将此简化模型与残缺模型“modnlme1”进行比拟：
anva(mole1, mdle3)
在这第二次测验中，” 基因型 x 氮素 “ 交互作用的不显著性仿佛比第一次测验更可信。
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
