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！#1chin_plot <- ggplot() + #2geom_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