机器算法验证 - 混合效果建模；过度指定模型时该怎么办？ - 吾爱随笔录 - 问答

混合效果建模；过度指定模型时该怎么办？

机器算法验证 r lme4-nlme 混合模式

2022-04-16 01:34:03

我正在尝试使用混合效应建模来分析一些数据。我需要在模型中指定许多变量，其中两个是参与者之间（x1和x2），其中两个是重复测量（z1和z2）。我对一般的个体差异以及与重复测量变量相关的个体差异感兴趣。

据我了解，根据Barr (2012) 的“保持最大”论文，lmer语法应该是：

y ~ x1*x2*z1*z2+ (1+(z1*z2)|ID)

当我尝试在中运行它时R，它失败了，我认为错误消息告诉我我过度指定了模型：

Error in checkZdims(reTrms$Ztlist, n = n, control, allow.n = FALSE) : 
number of observations (=289) <= number of random effects (=292) for term ((z1 * z2) | ID); the random-effects parameters and the residual variance (or scale parameter) are probably unidentifiable

有没有办法最大限度地指定我的模型，或者我是否需要限制我的随机效应项？如果是这样，新术语是什么？

1个回答

该Keep it maximal提议不应被视为教条。更加务实，并尝试确定您的数据将支持什么级别的模型复杂性（或至少将支持的最大级别）。

从计算上讲：使用的 IWRLS 估计过程可能不会收敛到最优参数值；因此，您的推断将是错误的。此外，模型中的大量参数可能会导致非常平坦（从概念上讲）对数似然表面，因此您之前“轻松”解决的优化问题变得非常棘手。

合理的做法是减少您估计的组数。现在你有一个过度参数化的 LME 模型；当你假设一个模型 $y\sim N(X\beta,ZDZ^T+\sigma^2I)$ 所写的内容本质上具有比数据点更多的方差参数。

检查启动器，例如：y ~ x1*x2*z1*z2+ (1+z1|ID) + (1+z2|ID))如果你觉得你的模型中应该有相关的随机斜率和截距。无论如何，这对于协方差结构来说已经很明确了。如果模型不符合您的建模假设，您可以稍后对其进行修改。

回到你原来的最后一个问题：不，没有办法自动指定模型的最大随机效应结构；不幸的是，这儿没有 $silver$ $bullet$ 对于那个统计问题。

其它你可能感兴趣的问题

上一篇MCMC：直接采样困难的例子（但 Metropolis Hastings 很容易）下一篇证明岭回归相对于普通回归的好处