LMM по данным о курином весе

Я хотел бы написать модель со случайными перехватами и случайными наклонами по времени. Я не уверен, что мой код правильный.

model4<-lmer(weight~Time + Diet + Time*Diet + (1+Time|Chick), data = Data, REML = TRUE)
summary(model4)

Я проголосовал за перенос этого вопроса на перекрестную проверку. Это кажется более близким к вопросу о подходящем статистическом тесте, чем к вопросу о программировании.

— 18.03.2022 23:45

@dww Кажется, что есть перекрестная публикация, а в резюме появляются практически одни и те же вопросы, но формулируются немного по-другому, например. stats.stackexchange.com/q/568349/237901

— 19.03.2022 17:08

18.03.2022 23:31

Стоит ли изучать PHP в 2023-2024 годах?

Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...

Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией

В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.

Приемы CSS-макетирования - floats и Flexbox

Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...

Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest

В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...

Концепция локализации и ее применение в приложениях React ⚡️

Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...

Пользовательский скаляр GraphQL

Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...

Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Да, это правильная спецификация для этих случайных эффектов. Вы можете проверить это, применив аналогичную модель, но временно убрав фиксированное влияние на диету и взаимодействие между временем и диетой.

model4<-lmer(weight~Time + (1+Time|Chick), data = ChickWeight, REML = TRUE)

Столбец связывает исходные данные, а также прогнозы из этой простой модели выше и выбирает пять случайных цыплят для построения графика.

weight_hat = predict(model4)
cw = cbind(ChickWeight,weight_hat)
random_chicks = sample(unique(cw$Chick),5)

ggplot(cw[cw$Chick %in% random_chicks,], aes(Time, color=Chick)) + 
  geom_point(aes(y=weight), size=2) + 
  geom_line(aes(y=weight_hat), size=1.5) + 
  theme(legend.position = "bottom")+
  guides(color=guide_legend(nrow=1))

Вы можете видеть, что точка пересечения и наклон для каждого цыпленка различаются. chicks