全文下载链接：http://tecdat.cn/?p=20631
最近咱们被客户要求撰写对于混合效应模型的钻研报告，包含一些图形和统计输入
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.axD 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)点击题目查阅往期内容
[](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=22475118...)R语言 线性混合效应模型实战案例
左右滑动查看更多
01
02
03
04
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本文摘选 《 R语言建设和可视化混合效应模型mixed effect model 》 ，点击“浏览原文”获取全文残缺材料。
点击题目查阅往期内容
R语言 线性混合效应模型实战案例
R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)剖析老年痴呆年龄数据
R语言贝叶斯狭义线性混合（多层次/程度/嵌套）模型GLMM、逻辑回归剖析教育留级影响因素数据R语言预计多元标记的潜过程混合效应模型（lcmm）剖析心理测试的认知过程
R语言因子实验设计nlme拟合非线性混合模型剖析有机农业施氮程度
R语言非线性混合效应 NLME模型(固定效应&随机效应)反抗哮喘药物茶碱动力学钻研
R语言用线性混合效应（多程度/档次/嵌套）模型剖析腔调高下与礼貌态度的关系
R语言LME4混合效应模型钻研老师的受欢迎水平R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model剖析藻类数据实例
R语言混合线性模型、多层次模型、回归模型剖析学生均匀问题GPA和可视化
R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例
R语言用lme4多层次（混合效应）狭义线性模型（GLM），逻辑回归剖析教育留级考察数据R语言 线性混合效应模型实战案例
R语言混合效应逻辑回归（mixed effects logistic）模型剖析肺癌数据
R语言如何用潜类别混合效应模型（LCMM）剖析抑郁症状
R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研
R语言建设和可视化混合效应模型mixed effect model
R语言LME4混合效应模型钻研老师的受欢迎水平
R语言 线性混合效应模型实战案例
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）
R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题
基于R语言的lmer混合线性回归模型
R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
R语言分层线性模型案例
R语言用WinBUGS 软件对学术能力测验（SAT）建设分层模型
应用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型
SPSS中的多层（等级）线性模型Multilevel linear models钻研整容手术数据
用SPSS预计HLM多层（档次）线性模型模型