原文链接：http://tecdat.cn/?p=23426 

序言

混合线性模型，又名多层线性模型(Hierarchical linear model)。它比拟适宜解决嵌套设计(nested)的试验和考察钻研数据。此外，它还特地适宜解决带有被试内变量的试验和考察数据，因为该模型不须要假如样本之间测量独立，且通过设置斜率和截距为随机变量，能够拆散自变量在不同情境中(被试内设计中常为不同被试)对因变量的作用。

简略的说，混合模型中把研究者感兴趣的自变量对因变量的影响称为固定效应，把其余管制的情景变量称为随机效应。因为模型中包含固定和随机效应，故称为混合线性模型。无论是用方差分析进行差别比拟，还是回归剖析钻研自变量对因变量的影响趋势，混合线性模型比起传统的线性模型都有更灵便的体现。
 

非线性混合模型就是通过一个连贯函数将线性模型进行拓展，并且同时再思考随机效应的模型。

非线性混合模型经常在生物制药畛域的剖析中会用到，因为很多剂量反馈并不是线性的，如果这个时候数据再有嵌套构造，那么就须要思考非线性混合模型了。

 本文中咱们用（非）线性混合模型剖析藻类数据。这个问题的参数是：已知截距（0日值）在各组和样本之间是雷同的。

数据

用lattice和ggplot2绘制数据。

xyplot(jitter(X)~Day, groups=Group)

ggplot版本有两个小劣势。1. 按个体和群体平均数增加线条[用stat_summary应该和用xyplot的type="a "一样容易])；2.调整点的大小，使重叠的点可视化。(这两点当然能够用自定义的 panel.xyplot 来实现 ...)

## 必须用手进行汇总ggplot(d,aes(x=Day,y=X,colour=Group))

从这些图片中得出的次要论断是：（1）咱们可能应该应用非线性模型，而不是线性模型；（2）可能存在一些异方差（在较低的平均值上有较大的方差，如同在 X=0.7的数据有一个 "天花板"）；看起来可能存在个体间的变动（特地是基于t2的数据，其中个体曲线近乎平行）。然而，咱们也将尝试线性拟合来阐明问题。

应用nlme

用lme的线性拟合失败。

LME <- lme(X ~ 1, random = ~Day|Individual, data=d)

如果咱们用control=lmeControl(msVerbose=TRUE))运行这个程序，就会失去输入，最初是。 

能够看到思考到组*日效应的模型也失败了。 

LME1 <- lme(X ~ Group*Day, random = ~Day|Individual, data=d)

我试着用SSfpl拟合一个非线性模型，一个自启动的四参数Logistic模型（参数为左渐近线、右渐近线、中点、尺度参数）。这对于nls拟合来说成果不错，给出了正当的后果。 

nlsfit1 <- nls(X ~ SSfp)coef(nlsfit1)

能够用gnls来拟合组间差别（我须要指定起始值

我的第一次尝试不太胜利。 

gnls(    X ~ SSfpl)

 但如果我只容许asymp.R在各组之间变动，就能运行胜利。 

params=symp.R~Group

绘制预测值。

g1 + geom_line()

这些看起来很不错（如果能失去置信区间就更好了--须要应用delta法或bootstrapping）。 

dp <- data.frame(d,res=resid(gnlsfit2),fitted=fitted(gnlsfit2))(diagplot1 <- ggplot(dp,aes(x=factor(Individual),              y=res,colour=Group))+      geom_boxplot(outlier.colour=NULL)+  scale\_colour\_brewer(palette="Dark2"))

除了7号样本外，没有很多证据表明个体间的变异......如果咱们想疏忽个体间的变异，能够用 

anova(lm(res~Individual))

大的（p\）值能够承受个体间不存在变异的无效假设...

更个别的诊断图--残差与拟合，同一个体的点用线连贯。能够发现，随着平均数的减少，方差会逐步减小。

plot(dp,(x=fitted,y=res,colour=Group))

我不能用nlme来解决三个参数因组而异模型，但如果我只容许asymp变动，就能够运行。 

nlme(model=list(fixed=with(c(asymp.R,xmid,scale,asymp.L),...)

右侧渐近线中的方差估计值是非零的。

退出随机效应后，参数基本就没有什么变动。 

最大的比例差别是3.1%（在比例参数中）。 

nlmefit2 <- update(list(asyR+xmd+scal+asp ~1),  start )

咱们能够通过AIC或似然比测验来比拟模型

AICtab(nlmefit1,nlmefit2,weights=TRUE)

anova(nlmefit1,nlmefit2)

能够做一个F测试而不是 LRT（即思考到无限大小的修改）。
 

pchisq(iff,df=2,lower.tail=FALSE)

 

##分母十分大的F测验。pf(diff/2,df1=2,df2=1000000,lower.tail=FALSE)

咱们不晓得真正相干的df，但下面的总结表明df是40。 

nlmer

我想当初能够为nlmer失去正确的模型标准，但我找不到一个不便的语法来进行固定效应建模（即在这种状况下容许一些参数因组而异）--当我构建了正确的语法，nlmer无奈失去答案。

根本的RE模型（没有群体效应）运行良好。

 nlmer(  X ~ SSfpl(Day, asy, as, x, s) ~         asy|Indi,)

依据我的了解，人们只须要构建本人的函数来封装固定效应构造；为了与nlmer一起应用，该函数还须要计算绝对于固定效应参数的梯度。这有点麻烦，但能够通过批改派生函数生成的函数，使之略微自动化。

  1. 构建虚构变量:
mm <- model.matrix(~Group,data=d)grp2 <- mm\[,2\]
  1. 构建一个函数来评估预测值及其梯度；分组构造是硬编码的。
deriv(~A+((B0+B1\*grp2+B2\*grp3-A)/(1+exp((x-xmid)/scale)
  1. 通过插入与传递给函数的参数名称相匹配的行来查看所产生的函数，并将这些参数名称调配给梯度矩阵。
L1 <- grep("^ +\\\.value +<-")L2 <- grep("^ +attr\\\(\\\.value",)eval(parse(text))

尝试一下拟合:

nlmer(  X ~ fpl(Day, asym, as, asymp, asR3, xmi, sca) ~         as|Indi,     start =  list(nlpars)),data=d)

失败了（但我认为这是因为nlmer自身造成的，而不是设置有什么根本性的问题）。为了确定，我应该依照同样的思路生成一个更大的人工数据集，看看我是否能让它工作起来。

当初咱们能够用稳定版（lme4.0）失去一个答案。

后果不现实

fixef(nlmerfit2)

range(predict(nlmerfit2))

我不能确定，在nlmer中是否有更简略的办法来做固定成果。

AD模型生成器

咱们还能够应用AD模型生成器来解决这个问题。它能够解决更简单的模型，比方拟合更多参数的群体效应。

局部起因是我对ADMB的相熟水平较低，这有点吃力，最初我通过循序渐进的步骤才胜利。

最小的例子

首先尝试没有随机效应、分组变量等。(即等同于下面的nls拟合）。)

##设置数据：调整名称，等等d0 <- c(list(nobs=nrow(d)),as.list(d0))##起始值：调整名称，减少数值names(svec3) <- gsub("\\\.","",names(svec3))  ## 移除点svec3$asympR <- 0.6 ## 繁多值## 运行 do_admb("algae0",        data,        params,        run.opts)

后果不错

固定效应模型

当初尝试用固定效应分组，应用下面构建的虚构变量（也能够应用if语句，或者用R[Group[i]]的for循环中的R值向量，或者（最佳抉择）为R传递一个模型矩阵...）。咱们必须应用elem_div而不是/来对两个向量进行元素除法。

model1 <- "参数局部   向量 pred(1,nobs) // 预测值   向量Rval(1,nobs) //预测值过程局部   pred = as+elem(Rval-asy,1.0+exp(-(Day-xmid)/scal) "

试着用模型矩阵来代替它。

model1B <- "参数局部   向量 pred(1,nobs) // 预测值   向量Rval(1,nobs) //预测值过程局部   pred = asym+ele(Rv-asy,1.0+exp(-(Da-xmi)/sc)) 。"

当然，在参数雷同的状况下，也能够工作。

随机效应

当初增加随机效应。回归函数并没有齐全实现随机效应模型（只管这应该在行将到来的版本中被修复），所以咱们用公式减去（n/2 log({RSS}/n)），其中RSS是残差平方和。

model2 <- "参数局部   向量 pred(1,nobs) // 预测值   向量Rval(1,nobs) //预测值过程局部   pred = asym+elem   f = 0.5\*no\*log(norm2(X-pr)/n)+norm2(R)。"

因为ADMB不解决稠密矩阵，也不惩办循环，如果将随机效应实现为(i=1; i<=nobs; i++) Rval[i] += Rsigma*Ru[Group[i]]，效率会略高，但我是懒人/我喜爱矩阵示意的紧凑性和可扩展性.

当初咱们终于能够测试R以外的参数的固定效应差别了。

model3 <- "参数局部   向量 prd(1,nobs) // 预测值   向量Rl(1,nobs) // 预测值   向量 scalal(1,nobs)   向量xmal(1,nobs)   sdror opr(1,nobs) //输入预测值程序局部   Rval = XR\*Rve+Rsma\*（Z*Ru）。   xmval = Xd*xdvec;....   f = 0.5\*nobs\*log(norm2(X-pred)/nobs)+norm2(Ru)"

后果:

summary(admbfit3)

有一个十分大的AIC差别。如上文所示，对nlme拟合的似然比F测试是作为一种练习......

对于该图，最好是按组指定参数从新进行拟合，而不是按基线+对比度进行拟合。

fit3B <- do_admb(,        data,        params,        re,        run.opts=run.control)
plot2(list(cc),intercept=TRUE)

当初咱们对标准化的问题很困扰，所以（通过一番折腾）咱们能够在不同的面板上从新画出群体变动的参数。

诊断图

##放弃条件模式/样本-R估计值diagplot1 %+% dp2

兴许这暗示了两个实验组中更大的差别？

拟合与残差

diagplot2 %+% dp2

叠加预测（虚线）:

g1 + geom_line

如果能生成平滑的预测曲线（即对两头的日值），那就更好了，但也更繁琐。

论断

  • 从参数估计中得出的次要论断是，第三组降落得更早一些（xmidvec更小），同时降落得更远（Rvec更低）。

似然剖析

计算一个( sigma^2_R ) 似然函数的代码并不难，但运行起来有点麻烦：它很慢，而且计算在置信度上限左近的几个点上呈现了非正-有限矩阵；我运行了另一组值，试图充沛笼罩这个区域。

lapply(Rsigmavec,fitfun)## 尝试填补破绽lapply(Rsigmavec2,fitfun)

带有插值样条的剖面图和似然比测验分界线。 

在sigma^2_R 上的95%剖面置信区间是{0.0386,0.2169}。

我没有计算过，但转换后的剖面图（在对应于偏离度与最小偏离度的平方根偏差的 y ）上，所以二次剖面将是一个对称的V）显示，二次近似对这种状况相当蹩脚 ...

ggplot(sigma,sqrt(2*(NLL-min(NLL))+  geom_point()

扩大

  • 更多地探讨分母df问题。参数疏导法/MCMC？
  • 咱们能够尝试在xmid和scale参数中退出随机效应。
  • 在组间或作为X的函数的方差（无论是残差还是个体间的方差）中可能有额定的模式。

 

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