Блог

Я использую биномиальный GLMM для изучения взаимосвязи между присутствием отдельных лиц (# часов / день) на сайте с течением времени. Поскольку присутствие измеряется ежедневно для нескольких человек, я включил случайный перехват для индивидуального идентификатора.

например,

 presence <- cbind(hours, 24-hours)
glmer(presence ~ time   (1 | ID), family = binomial)
  

Я хотел бы также рассмотреть возможность использования ID в качестве случайного наклона, но я не знаю, как добавить это в мою модель. Я попробовал два разных подхода, описанных ниже, но я не уверен, какой из них правильный.

 glmer(presence ~ time   (1   ID), family = binomial)
Error: No random effects terms specified in formula

glmer(presence ~ time   (1   ID | ID), family = binomial)
Error: number of observations (=1639) < number of random effects (=5476) for term (1   ID | ID); the random-effects parameters are probably unidentifiable
  

Вы не можете иметь случайный наклон для ID и иметь ID в качестве переменной группировки (второго уровня) (более подробную информацию смотрите в этой документации: https://cran.r-project.org/web/packages/lme4/lme4.pdf ).

Группирующая переменная, которая есть ID в моделях ниже, используется в качестве переменной, для которой задаются случайные эффекты. model_1 дает случайные перехваты для ID переменной. model_2 выдает как случайные пересечения, так и случайные наклоны для time переменной. Другими словами, model_1 позволяет изменять перехват взаимосвязи между presence и time ID (наклон остается тем же самым), тогда как model_2 позволяет изменять как перехват, так и наклоны ID , так что соотношение между presence и time (т. е. наклон) может отличаться для каждого отдельного ( ID ).

model_1 = glmer(presence ~ time (1 | ID), family = binomial)

model_2 = glmer(presence ~ time (1 time | ID), family = binomial)

Я бы также рекомендовал:

Снайдерс, Т. А. Б., amp; Боскер, Р. Дж. (2012). Многоуровневый анализ: введение в базовое и расширенное многоуровневое моделирование (2-е изд.): Sage.