Matriks varians-kovarians dalam lmer

Saya tahu bahwa salah satu keuntungan dari model campuran adalah bahwa mereka memungkinkan untuk menentukan matriks varians-kovarians untuk data (simetri gabungan, autoregresif, tidak terstruktur, dll.) Namun, lmerfungsi dalam R tidak memungkinkan spesifikasi mudah dari matriks ini. Adakah yang tahu struktur apa yang lmerdigunakan secara default dan mengapa tidak ada cara untuk menentukannya dengan mudah?

Model campuran adalah (versi umum dari) model komponen varians. Anda menuliskan bagian efek tetap, menambahkan istilah kesalahan yang mungkin umum untuk beberapa kelompok pengamatan, menambahkan fungsi tautan jika diperlukan, dan memasukkannya ke dalam likelihood maximizer.

Namun, berbagai struktur varians yang Anda gambarkan adalah model korelasi yang berfungsi untuk persamaan estimasi umum, yang menukar beberapa fleksibilitas dari model campuran / multilevel untuk ketahanan inferensi. Dengan GEE, Anda hanya tertarik untuk melakukan inferensi pada bagian yang tetap, dan Anda OK dengan tidak memperkirakan komponen varians, seperti yang Anda lakukan pada model campuran. Untuk efek yang diperbaiki ini, Anda mendapatkan taksiran yang kuat / sandwich yang sesuai bahkan ketika struktur korelasi Anda misspecfieid. Inferensi untuk model campuran akan rusak jika model tersebut tidak ditentukan spesifikasi.

Jadi sementara memiliki banyak kesamaan (struktur bertingkat dan kemampuan untuk mengatasi korelasi residual), model campuran dan GEE masih merupakan prosedur yang agak berbeda. Paket R yang berhubungan dengan GEE disebut dengan tepat gee, dan dalam daftar nilai-nilai corstropsi yang memungkinkan Anda akan menemukan struktur yang Anda sebutkan.

Dari sudut pandang GEE, lmerbekerja dengan korelasi yang dapat dipertukarkan ... setidaknya ketika model memiliki dua tingkat hierarki, dan hanya intersep acak yang ditentukan.

Cabang FlexLamba dari lmer menyediakan fungsi seperti itu.

Lihat https://github.com/lme4/lme4/issues/224 untuk contoh bagaimana menerapkan struktur kesalahan atau efek acak tertentu.

Sepengetahuan saya, Lmer tidak memiliki cara "mudah" untuk mengatasi ini. Juga mengingat bahwa dalam banyak kasus lmer banyak menggunakan matriks jarang untuk faktorisasi Cholesky saya akan menemukan itu tidak mungkin yang memungkinkan untuk VCV yang benar-benar tidak terstruktur.

$(1|RandEff_1)+(1|RandEff_2)$

$R = \begin{bmatrix} \sigma_{RE1}^2 & 0& 0 & & 0 & 0 & 0\\ 0 & \sigma_{RE1}^2& 0 & & 0 & 0 & 0\\ 0 & 0& \sigma_{RE1}^2 & & 0 & 0 & 0\\ 0& 0& 0 & & \sigma_{RE2}^2 & 0 & 0 \\ 0 & 0& 0 & & 0 & \sigma_{RE2}^2 & 0\\ 0& 0& 0 & & 0& 0 & \sigma_{RE2}^2 \\\end{bmatrix}$

Semua tidak hilang dengan LME: Anda dapat menentukan atribut matriks VCV ini "dengan mudah" adalah Anda menggunakan MCMCglmm paket-R. Lihatlah CourseNotes.pdf , hal.70. Pada halaman itu ia memberikan beberapa analog tentang bagaimana struktur efek acak lme4 akan didefinisikan tetapi seperti yang Anda lihat sendiri, lmer kurang fleksibel daripada MCMCglmm dalam hal ini.

Setengah jalan ada kelas masalah lme's lme corStruct, misalnya. corCompSymm , corAR1 , dll. Respons Fabian dalam tapak ini memberikan beberapa contoh yang lebih ringkas untuk spesifikasi VCV berbasis lme4 tetapi seperti yang disebutkan sebelumnya, mereka tidak sejelas yang ada di MCMCglmm atau nlme.