R：如何“控制”线性混合效应回归模型中的另一个变量？

机器算法验证 r 混合模式 多重回归 随机效应模型 固定效应模型
2022-04-07 12:59:33

本质上，我有两个共线变量，可以看作是随机效应或固定效应，一个是我正在拟合模型的因变量，一个是肯定是随机效应的变量。

相关FiringRate变量：小鼠大脑特定区域的神经元尖峰 ( ) 数

固定效果：

1) Time采集数据样本的时间（以天为单位的线性比例——所以第二天是 2，第 5 天是 5，依此类推）

2)老鼠的Age天数（所以这个和变量之间肯定存在共线性Time，但是有足够多的不同年龄的老鼠使它值得作为一个单独的变量）

随机效果： Subject ——鼠标的“名称”（ID号）

本质上，我想知道运行两个 LME 是否合适。首先，我将AgeandSubject视为随机变量，以控制 （以及 和 之间的共线性）的影响，并Age查看Time 是否是尖峰数（因变量）的重要预测因子。在第二个中，我将输入和作为随机变量，看看是否是一个重要的预测因子。AgeTimeTimeSubjectAge

library(lme4)
a = lmer(FiringRate ~ Time + (1|Age) + (1|Subject))
b = lmer(FiringRate ~ Age + (1|Time) + (1|Subject))
1个回答

我不认为这里的问题可以通过在线发布的简单答案来解决。我要补充：

  1. 包括年龄和时间是有问题的，应该考虑清楚。我不清楚在模型中同时包含两个变量有什么好处。可以办到。但不是通过使变量之一成为随机效应来避免问题。
    1.5。如果你想包括年龄，据我所知，包括年龄作为实验开始时的年龄。这不应该与其他数据共线，并且应该提供信息。
  2. 我非常不愿意在这个模型中包含年龄和时间作为随机效应。随机效应模型的一个假设是集群是可交换的。
    2.5. 我看到的 R 代码中存在包含多个随机效应的趋势。我不确定为什么。一旦您超越了单个随机效应，或者简单的单个随机效应聚集在另一个效应中，模型的复杂性就会非常显着，并且通常没有必要。

  3. 我认为所写的模型没有意义。以下内容对我来说很有意义并且可以辩护：

    lmer(FiringRate~ Time + (1|Subject))

    lmer(FiringRate~ Time + (Time|Subject))

    lmer(FiringRate~ Time + age_atstart + (Time|Subject))

其它你可能感兴趣的问题
上一篇对多个相关结果使用多项逻辑回归 下一篇在 pymc 中实现有序概率模型