Pertanyaan yang diberi tag «mixed-model»

Saya bertanya-tanya apakah ada teknik pembelajaran mesin (tanpa pengawasan) untuk memodelkan data longitudinal? Saya selalu menggunakan model efek campuran (kebanyakan non-linear) tapi saya bertanya-tanya apakah ada cara lain untuk melakukan ini (menggunakan pembelajaran mesin). Dengan pembelajaran mesin, maksud saya hutan acak, klasifikasi / pengelompokan, pohon keputusan dan bahkan pembelajaran yang …

11 machine-learning  mixed-model 

Saya sedang membaca makalah teori Doug Bates pada paket lme4 R untuk lebih memahami seluk beluk model campuran, dan menemukan hasil yang menarik yang ingin saya pahami lebih baik, tentang menggunakan kemungkinan maksimum terbatas (REML) untuk memperkirakan varian. . Dalam bagian 3.3 pada kriteria REML, ia menyatakan bahwa penggunaan REML …

11 maximum-likelihood  mixed-model  unbiased-estimator  hierarchical-bayesian  reml 

Saya sudah cocok dengan model lmer dengan yang berikut ini (walaupun dibuat keluaran): Random effects: Groups Name Std.Dev. day:sample (Intercept) 0.09 sample (Intercept) 0.42 Residual 0.023 Saya benar-benar ingin membangun interval kepercayaan untuk setiap efek menggunakan rumus berikut: ( n - 1 ) s2χ2α / 2 , n - 1, …

11 lme4-nlme  mixed-model 

Saya mencoba menentukan rumus untuk model efek campuran linier (dengan lme4) untuk desain eksperimental saya, tetapi saya tidak yakin saya melakukannya dengan benar. Desain: pada dasarnya saya mengukur parameter respons pada tanaman. Saya memiliki 4 tingkat perawatan, dan 2 tingkat irigasi. Tanaman dikelompokkan dalam 16 plot, dalam setiap plot saya …

11 r  experiment-design  mixed-model 

Pertanyaan saya didasarkan pada respons ini yang menunjukkan lme4::lmermodel mana yang sesuai dengan langkah-langkah berulang ANOVA dua arah: require(lme4) set.seed(1234) d <- data.frame( y = rnorm(96), subject = factor(rep(1:12, 4)), a = factor(rep(1:2, each=24)), b = factor(rep(rep(1:2, each=12))), c = factor(rep(rep(1:2, each=48)))) # standard two-way repeated measures ANOVA: summary(aov(y~a*b+Error(subject/(a*b)), d[d$c …

11 r  anova  mixed-model  repeated-measures  lme4-nlme 

Pertimbangkan model linear intersep acak. Ini setara dengan regresi linier GEE dengan matriks korelasi kerja yang dapat ditukar. Misalkan prediktornya adalah x1, x2,x1,x2,x_1, x_2, dan dan koefisien untuk prediktor ini adalah , , dan . Apa interpretasi untuk koefisien dalam model intersep acak? Apakah sama dengan regresi linier GEE kecuali …

11 mixed-model 

Saya mencari saran tentang bagaimana menganalisis data survei yang kompleks dengan model bertingkat di R. Saya telah menggunakan surveypaket ini untuk menentukan probabilitas pemilihan yang tidak setara dalam model satu tingkat, tetapi paket ini tidak memiliki fungsi untuk pemodelan bertingkat. The lme4paket besar untuk pemodelan bertingkat, namun tidak ada cara …

11 r  mixed-model  weighted-sampling  cluster-sample 

Dalam mencari info tentang model marginal dan model efek-acak , dan bagaimana memilih di antara mereka, saya telah menemukan beberapa info tetapi itu adalah penjelasan abstrak matematika yang kurang lebih (seperti misalnya di sini: https: //stats.stackexchange .com / a / 68753/38080 ). Di suatu tempat saya telah menemukan bahwa terdapat …

11 mixed-model  random-effects-model  glmm  gee  marginal-model 

Saya memiliki regresi logistik intersep acak (karena pengukuran berulang) dan saya ingin melakukan beberapa diagnostik, khususnya mengenai pencilan dan pengamatan yang berpengaruh. Saya melihat residu untuk melihat apakah ada pengamatan yang menonjol. Tetapi saya juga ingin melihat jarak seperti Cook atau DFFIT. Hosmer dan Lemeshow (2000) mengatakan bahwa karena kurangnya …

11 mixed-model  outliers  glmm  cooks-distance 

Saya ingin menggunakan lme4agar sesuai dengan regresi efek campuran dan multcompuntuk menghitung perbandingan berpasangan. Saya memiliki kumpulan data yang kompleks dengan beberapa prediktor kontinu dan kategoris, tetapi pertanyaan saya dapat ditunjukkan dengan menggunakan ChickWeightkumpulan data bawaan sebagai contoh: m <- lmer(weight ~ Time * Diet + (1 | Chick), data=ChickWeight, …

11 r  mixed-model  multiple-comparisons 

Saya biasanya menangani data di mana beberapa individu masing-masing diukur beberapa kali dalam masing-masing 2 atau lebih kondisi. Saya baru-baru ini bermain dengan pemodelan efek campuran untuk mengevaluasi bukti perbedaan antara kondisi, pemodelan individualsebagai efek acak. Untuk memvisualisasikan ketidakpastian mengenai prediksi dari pemodelan seperti itu, saya telah menggunakan bootstrap, di …

11 confidence-interval  mixed-model  bootstrap  monte-carlo  simulation 

Jika Anda memilih untuk menganalisis desain kontrol perawatan pra-pasca dengan variabel dependen kontinu menggunakan ANOVA campuran, ada berbagai cara untuk mengukur efek berada di kelompok perlakuan. Efek interaksi adalah salah satu opsi utama. Secara umum, saya terutama menyukai ukuran tipe d Cohen (yaitu, ). Saya tidak suka varians menjelaskan tindakan …

11 anova  mixed-model  effect-size  cohens-d 

Saya memiliki dua tahun data yang pada dasarnya terlihat seperti ini: Tanggal _ __ Kekerasan Y / T? _ Jumlah pasien 1/1/2008 _ ___ 0 __ _ __ _ ____ 11 2/1/2008 _ __ _ 0 _ __ _ __ _ __ 11 3/1/2008 _ ____ 1 __ _ __ …

11 r  mixed-model  autocorrelation  panel-data 

Model Efek Campuran Linier adalah Perpanjangan model Regresi Linier untuk data yang dikumpulkan dan dirangkum dalam kelompok. Keuntungan utama adalah koefisien dapat bervariasi sehubungan dengan satu atau lebih variabel grup. Namun, saya kesulitan dengan kapan harus menggunakan model efek campuran? Saya akan menguraikan pertanyaan saya dengan menggunakan contoh mainan dengan …

11 regression  mixed-model  random-effects-model  linear 

The mgcvpaket untuk Rmemiliki dua fungsi untuk pas interaksi produk tensor: te()dan ti(). Saya memahami pembagian kerja dasar antara keduanya (menyesuaikan interaksi non-linear vs menguraikan interaksi ini menjadi efek utama dan interaksi). Yang tidak saya mengerti adalah mengapa te(x1, x2)dan ti(x1) + ti(x2) + ti(x1, x2)mungkin menghasilkan (sedikit) hasil yang …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa