机器算法验证 - lm 和 lme 中的权重参数在 R 中非常不同-我是否正确使用它们？ - 吾爱随笔录

机器算法验证 r 回归混合模式加权回归

2022-03-13 11:05:07

因此，在我看来，lm 中的 weights 函数赋予观察更多的权重，相关观察的“权重”值越大，而 lme 中的 lme 函数恰恰相反。这可以通过简单的模拟来验证。

#make 3 vectors- c is used as an uninformative random effect for the lme model
a<-c(1:10)
b<-c(2,4,6,8,10,100,14,16,18,20)
c<-c(1,1,1,1,1,1,1,1,1,1)

如果您现在要运行一个模型，在该模型中根据 lm 中因变量的倒数对观察结果进行加权，那么您只能在 nlme 中生成完全相同的结果，前提是您仅按因变量加权，而不采用倒数。

summary(lm(b~a,weights=1/b))
summary(lme(b~a,random=~1|c,weights=~b))

您可以翻转它并看到反之亦然——在 lm 中指定 weights=b 需要 weights=1/b 才能获得匹配的 lme 结果。

所以，我明白这一点，我只想对一件事进行验证并就另一件事提出问题。

任何见解将不胜感激！

1个回答

在lme符号weights = ~ b中将导致varFixed方差函数与唯一参数一起使用b。该函数将向模型添加方差函数，其形式为，其中采用向量参数的值。 $s^2(v)$ $s^2(v) = |v|$ $v$ b

因此，您应该使用weights = ~ I(1/b)inlme()来获得\的方差。 $\varepsilon_i = 1/b_i$

在lm你通过weights的似乎是完全相反的；weights与方差成反比。

我不是 100% 确定你所说的weight my data是什么意思，但如果你的意思是提供观察的异质方差，那么我认为你想要weights = ~ I(1/b)。

我的直觉（您必须询问这两个函数的各自作者）是因为这是由非常不同lm()的lme()人编写的，目的是做非常不同的事情。lm()需要（希望）与 S 和各种书籍兼容，nlme没有，它旨在更加灵活，允许通过基础设施lm使用方差函数varFunc来更灵活地对异质性进行建模。

其它你可能感兴趣的问题