我有一个lme对象,它是根据一些重复测量的营养摄入数据(每个RespondentID有两个24小时的摄入时间)构造的:
Male.lme2 <- lmer(BoxCoxXY ~ -1 + AgeFactor + IntakeDay + (1|RespondentID),
data = Male.Data,
weights = SampleWeight)
并且我可以使用
RespondentID
通过ranef(Male.lme1)
成功检索随机效果。我还想通过RespondentID
收集固定效果的结果。如下所示,coef(Male.lme1)
不能完全满足我的需求。> summary(Male.lme1)
Linear mixed model fit by REML
Formula: BoxCoxXY ~ AgeFactor + IntakeDay + (1 | RespondentID)
Data: Male.Data
AIC BIC logLik deviance REMLdev
9994 10039 -4990 9952 9980
Random effects:
Groups Name Variance Std.Dev.
RespondentID (Intercept) 0.19408 0.44055
Residual 0.37491 0.61230
Number of obs: 4498, groups: RespondentID, 2249
Fixed effects:
Estimate Std. Error t value
(Intercept) 13.98016 0.03405 410.6
AgeFactor4to8 0.50572 0.04084 12.4
AgeFactor9to13 0.94329 0.04159 22.7
AgeFactor14to18 1.30654 0.04312 30.3
IntakeDayDay2Intake -0.13871 0.01809 -7.7
Correlation of Fixed Effects:
(Intr) AgFc48 AgF913 AF1418
AgeFactr4t8 -0.775
AgeFctr9t13 -0.761 0.634
AgFctr14t18 -0.734 0.612 0.601
IntkDyDy2In -0.266 0.000 0.000 0.000
我已将拟合结果附加到我的数据中,
head(Male.Data)
显示 NutrientID RespondentID Gender Age SampleWeight IntakeDay IntakeAmt AgeFactor BoxCoxXY lmefits
2 267 100020 1 12 0.4952835 Day1Intake 12145.852 9to13 15.61196 15.22633
7 267 100419 1 14 0.3632839 Day1Intake 9591.953 14to18 15.01444 15.31373
8 267 100459 1 11 0.4952835 Day1Intake 7838.713 9to13 14.51458 15.00062
12 267 101138 1 15 1.3258785 Day1Intake 11113.266 14to18 15.38541 15.75337
14 267 101214 1 6 2.1198688 Day1Intake 7150.133 4to8 14.29022 14.32658
18 267 101389 1 5 2.1198688 Day1Intake 5091.528 4to8 13.47928 14.58117
coef(Male.lme1)
的前几行是:$RespondentID
(Intercept) AgeFactor4to8 AgeFactor9to13 AgeFactor14to18 IntakeDayDay2Intake
100020 14.28304 0.5057221 0.9432941 1.306542 -0.1387098
100419 14.00719 0.5057221 0.9432941 1.306542 -0.1387098
100459 14.05732 0.5057221 0.9432941 1.306542 -0.1387098
101138 14.44682 0.5057221 0.9432941 1.306542 -0.1387098
101214 13.82086 0.5057221 0.9432941 1.306542 -0.1387098
101389 14.07545 0.5057221 0.9432941 1.306542 -0.1387098
为了演示
coef
结果如何与Male.Data中的拟合估算值相关联(该数据是使用Male.Data$lmefits <- fitted(Male.lme1)
捕获的,其年龄因子为9-13的第一个RespondentID:-拟合值是
15.22633
,它等于-从系数中-(Intercept) + (AgeFactor9-13) = 14.28304 + 0.9432941
是否有我可以自动使用的聪明命令,即提取每个主题的固定效果估算值,或者我面临一系列
if
语句,试图将正确的AgeFactor级别应用于每个主题减去Intercept的随机效应贡献后,得到正确的固定效应估计?抱歉,Update试图减少我提供的输出,却忘记了str()。输出为:
>str(Male.Data)
'data.frame': 4498 obs. of 11 variables:
$ NutrientID : int 267 267 267 267 267 267 267 267 267 267 ...
$ RespondentID: Factor w/ 2249 levels "100020","100419",..: 1 2 3 4 5 6 7 8 9 10 ...
$ Gender : int 1 1 1 1 1 1 1 1 1 1 ...
$ Age : int 12 14 11 15 6 5 10 2 2 9 ...
$ BodyWeight : num 51.6 46.3 46.1 63.2 28.4 18 38.2 14.4 14.6 32.1 ...
$ SampleWeight: num 0.495 0.363 0.495 1.326 2.12 ...
$ IntakeDay : Factor w/ 2 levels "Day1Intake","Day2Intake": 1 1 1 1 1 1 1 1 1 1 ...
$ IntakeAmt : num 12146 9592 7839 11113 7150 ...
$ AgeFactor : Factor w/ 4 levels "1to3","4to8",..: 3 4 3 4 2 2 3 1 1 3 ...
$ BoxCoxXY : num 15.6 15 14.5 15.4 14.3 ...
$ lmefits : num 15.2 15.3 15 15.8 14.3 ...
不使用BodyWeight和Gender(这是男性数据,因此所有Gender值都相同),并且对于数据来说NutrientID同样固定。
自发布以来,我一直在做可怕的ifelse声明,因此将立即尝试您的建议。 :)
Update2:这与我当前的数据完美配合,并且对新数据应具有前瞻性,这要感谢DWin在注释中的额外帮助。 :)
AgeLevels <- length(unique(Male.Data$AgeFactor))
Temp <- as.data.frame(fixef(Male.lme1)['(Intercept)'] +
c(0,fixef(Male.lme1)[2:AgeLevels])[
match(Male.Data$AgeFactor, c("1to3", "4to8", "9to13","14to18", "19to30","31to50","51to70","71Plus") )] +
c(0,fixef(Male.lme1)[(AgeLevels+1)])[
match(Male.Data$IntakeDay, c("Day1Intake","Day2Intake") )])
names(Temp) <- c("FxdEffct")
最佳答案
将会是这样(尽管您确实应该给我们str(Male.Data)的结果,因为模型输出不会告诉我们基线值的因子水平:)
#First look at the coefficients
fixef(Male.lme2)
#Then do the calculations
fixef(Male.lme2)[`(Intercept)`] +
c(0,fixef(Male.lme2)[2:4])[
match(Male.Data$AgeFactor, c("1to3", "4to8", "9to13","14to18") )] +
c(0,fixef(Male.lme2)[5])[
match(Male.Data$IntakeDay, c("Day1Intake","Day2Intake") )]
您基本上是通过
match
函数运行原始数据,以选择正确的系数以添加到截距中……如果数据是该因素的基本水平(我猜测的是其拼写),则该系数将为0。编辑:我刚刚注意到,您在公式中放置了“-1”,因此也许所有的AgeFactor术语都列在输出中,并且您可以在系数向量中找到0,而在匹配表向量中找到所发明的AgeFactor级别。
关于r - 如何通过观察提取lmer固定效应?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/8682865/