技术标签: 混合线性模型
很多朋友写信问我, 像要知道固定因子的显著性和随机因子的显著性如何计算,他们使用的是lme4
这个R包, 但是这个包使用anova时没有P值,还要手动计算, 随机因子也需要自己计算loglikehood值, 然后使用LRT的卡方检验进行显著性检验, 其实lme4包有扩展的包可以非常友好的做这件事情.
###载入软件包和数据
library(lme4)
library(lmerTest)
library(sjstats)
library(learnasreml)
data(fm)
lme4
install.packages("lme4")
lmerTest
lmerTest::anova.lmerModLmerTest
用于检测固定因子的显著性, 方差分析表采用III平方和的形式.lmerTest::ranova
用于检测随机因子的显著性, 使用的是LRT检验, 给出的是卡方结果.install.packages("lmerTest")
sjstats
install.packages("lmerTest")
模型介绍
建模
### 固定因子: Spacing+Rep, 随机因子: Fam
fm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)
固定因子检验
anova(fm1) # 固定因子显著性检验
Sum Sq | Mean Sq | NumDF | DenDF | F value | Pr(>F) | |
---|---|---|---|---|---|---|
Spacing | 1775.888 | 1775.888 | 1 | 786.2359 | 34.98368 | 4.957481e-09 |
Rep | 5339.632 | 1334.908 | 4 | 781.5386 | 26.29670 | 1.762292e-20 |
可以看到Spacing 和Rep都达到极显著
随机因子显著性检验
ranova(fm1) # 随机因子显著性检验,LRT
npar | logLik | AIC | LRT | Df | Pr(>Chisq) | |
---|---|---|---|---|---|---|
<none> | 8 | -2831.504 | 5679.008 | NA | NA | NA |
(1 | Fam) | 7 | -2876.161 | 5766.323 | 89.31466 | 1 | 3.367543e-21 |
可以看到Fam达到极显著
计算R2
r2(fm1) # 计算R2
R-Squared for Generalized Linear Mixed Model
[34mFamily : gaussian (identity)
Formula: h1 ~ Spacing + Rep + (1 | Fam)
[39m Marginal R2: 0.116
Conditional R2: 0.277
计算固定因子每个水平的P值
p_value(fm1) # 计算每个水平的显著性
term | p.value | std.error |
---|---|---|
(Intercept) | 1.535094e-127 | 0.7915991 |
Spacing3 | 4.957481e-09 | 0.5463546 |
Rep2 | 2.886600e-01 | 0.8082299 |
Rep3 | 7.443430e-08 | 0.8218056 |
Rep4 | 1.720753e-10 | 0.7995633 |
Rep5 | 4.635631e-01 | 0.7663026 |
提取方差组分
re_var(fm1) # 计算方差组分
建模
library(asreml)
fm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm,trace=F)
固定因子检验
anova(fm2) # 固定因子显著性检验, 这里anova 是anova.asreml
Df | Sum of Sq | Wald statistic | Pr(Chisq) | |
---|---|---|---|---|
(Intercept) | 1 | 253059.46646 | 4985.08358 | 0.000000e+00 |
Spacing | 1 | 1164.71720 | 22.94406 | 1.667844e-06 |
Rep | 4 | 5339.63197 | 105.18678 | 0.000000e+00 |
residual (MS) | NA | 50.76333 | NA | NA |
随机因子显著性检验
这里首先构建一个空模型, 然后使用LRT检验
fm_Null = asreml(h1 ~ Spacing + Rep, data=fm,trace=F)
lrt.asreml(fm2,fm_Null) # 随机因子显著性检验LRT
Df | LR statistic | Pr(Chisq) | |
---|---|---|---|
fm2/fm_Null | 1 | 89.31466 | 0 |
summary(fm2)$varcomp[,1:2] # 方差组分
gamma | component | |
---|---|---|
Fam!Fam.var | 0.2229334 | 11.31684 |
R!variance | 1.0000000 | 50.76333 |
还有一个包叫MuMIn
,也可以计算R2
library(MuMIn)
r.squaredLR(fm1)#计算R2
0.217233511687581
# 混合线性模型, 如何检测固定因子和随机因子
###载入数据
library(lme4)
library(lmerTest)
library(sjstats)
library(learnasreml)
data(fm)
str(fm)
### 固定因子: Spacing+Rep, 随机因子: Fam
fm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)
summary(fm1)
anova(fm1) # 固定因子显著性检验
ranova(fm1) # 随机因子显著性检验,LRT
r2(fm1) # 计算R2
p_value(fm1) # 计算每个水平的显著性
re_var(fm1) # 计算方差组分
### 对比asreml
fm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm)
anova(fm2) # 固定因子显著性检验, 这里anova 是anova.asreml
fm_Null = asreml(h1 ~ Spacing + Rep, data=fm)
lrt.asreml(fm2,fm_Null) # 随机因子显著性检验LRT
summary(fm2)$varcomp[,1:2] # 方差组分
library(MuMIn)
r.squaredLR(fm1)#计算R2
文章浏览阅读1.5w次,点赞7次,收藏24次。在lichee/linux-3.3/drivers/usb/gadget_usb host gadget模拟鼠标
文章浏览阅读1.5k次,点赞2次,收藏9次。一、搭建环境首先搭建一个图形化界面的centos操作系统1 打开虚拟化引擎2 安装相关软件yum -y install qemu-kvm libvirt libvirt-python libguestfs-tools virt-install virt-manager wget3 启动服务并开启开机自动启动systemctl enable libvirtd && systemctl start libvirtd二、图形化方式创建虚拟机1 上传镜像文件到宿主机(阿里云镜像_kvm图形化
文章浏览阅读1.1w次,点赞22次,收藏91次。1.下载安装包网盘提取:链接:https://pan.baidu.com/s/1jeZq3v9Lby5DDQUa7vbNoQ提取码:msn72.安装解压---点击.exe文件进行安装----使用3.使用实例如果有数据可以直接导入进行分析,这里是第一次使用,数据获取也分享一下首先打开知网,输入“人工智能”进行检索选择60条数据进行导出 打开SATI软件,选择刚刚导出的文件,1.2.3部完成后,点击转换按钮将转换后的文件保存,点击下面ok,i ..._sati下载
文章浏览阅读573次。Acorn for Mac是一款运行在Mac OS X平台上的一款轻量级图片处理软件,它具备全面的图像编辑工具、圆形文字工具、矢量工具、各种照片效果等,如果你非常想编辑一些照片,但又不想打开类似于PS那样的大型图片处理软件,不妨可以试试这款acorn for mac,acorn mac 下载拥有ps的基础工具和滤镜效果,允许用户对图片进行移动和调整形状,作为ps的轻量级替代者,它功能强大,小巧简便..._ps 复制剪切粘贴形状下载 csdn
文章浏览阅读337次。开头在大厂,写得一手好文档是一个非常吃香的技能。这可不只是一个锦上添花的东西,而是很多工程师晋升,打造自己话语权的武器。 我这两年在组内的深刻体会就是,大部分厉害的高级工程师(不包括那些纯混日子靠资历晋升的人),写文档的能力一点也不含糊,很能抓住上级和项目的G点。可能有人会觉得,我技术牛逼就行了,为啥还要提高写文档的能力,有这功夫我还不如多看看源码分析?这是一些初级或者刚入门的工程师的普遍的困惑。这是因为大部分刚刚入行的朋友有一个很深的误区,就是他们以为做软件工程是一个和计算机打交道的工作,其实不然。_安卓面试题
文章浏览阅读9.2k次,点赞8次,收藏72次。C# 之 WPF 统计图表开发文档一、前言二、环境配置1、开发环境2、加载 LiveCharts 库3、添加必须的头文件三、基础图形1、柱状图一、前言本项目的统计图使用LiveCharts 控件集成。LiveCharts, 官网:https://lvcharts.net 是一款简单,灵活,交互式和强大的 DOTNET数据可视化图表控件,内置多种统计图表,可满足本项目的需求。二、环境配置..._c# wpflivechart
文章浏览阅读283次。前面,由于对泛型擦除的思考,引出了对Java-Type体系的学习。本篇,就让我们继续对“泛型”进行研究:JDK1.5中引入了对Java语言的多种扩展,泛型(generics)即其中之一。1. 什么是泛型?泛型,即“参数化类型”,就跟在方法或构造函数中普通的参数一样,当一个方法被调用时,实参替换形参,方法体被执行。当一个泛型声明被调用,实际类型参数取代形式类型参数。 ..._java泛型需要学吗
文章浏览阅读6.2k次,点赞4次,收藏12次。py1:>>> arr = ['22','44','66','88']>>> arr = map(int,arr)>>> print(arr)[22, 44, 66, 88]py2:>>> arr = ['22','44','66','88']>>> arr = list(map(int,arr))>>> print(arr)[22, 44, 66, 88]_python 字符串数组转为整数数组
文章浏览阅读2.2k次。题目归类区(看题目字体颜色识第几部分)ps :下面题目可能稍有点多,翻页会较麻烦,根据题目的颜色辨别是第几部分吧(超链接功能不会,也懒得做了)第一部分1. 请简述值类型与引用类型的区别2.C# 中所有引用类型的基类是什么3. 请简述 ArrayList 和 List 的主要区别4. 请简述 GC (垃圾回收)产生的原因,并描述如何避免?5. _6.如何销毁—nunityengine.objec及其子类
文章浏览阅读870次。https://www.jianshu.com/p/991e308affd8 【前言】这一篇简单谈谈如何创建点、线、面,尤其是面的一些命令。【学习】一、创建边面工具快捷键 :F1、如果选择两个点将创建一条边。在正视图建立一个平面,按TAB键进入编辑模式,按A 取消对平面选择。按CTRL+鼠标左键点击创建一个点,按A 取消;再如此操作,创建三个点。选择..._digitalman数字人c4d
文章浏览阅读949次。字符串回文的判断是比较常见的问题,有各种方法来判断回文串。在数据结构中,利用栈和队列的特性也可以来实现回文判断。我们将字符串压入栈,然后在弹出,将弹出的元素压入队列,并出队进行判断。大概的思路就是这样,很久之前写的了,具体的实现思路都忘了,大概阐述下思路,在这里做个笔记,方便以后看看。下面我们来看看实现:#include #include #include #include "windows.h"..._java用队列和栈判断一个字符串是否是回文串
文章浏览阅读2w次,点赞3次,收藏16次。Vue cli-3使用css转换postcss插件报错Error: Loading PostCSS Plugin failed: Cannot find module ‘postcss-import’寻找错误解决问题1.安装npm install postcss-px-to-viewport --save-dev2.添加配置文件postcss-config.js运行报错报错提示:没有找到 postcss-import模块猜想:①使用postcss插件需要额外npm install pos_cannot find module 'postcss-import