使用lmer函数的混合效应异方差模型

Question

使用lmer函数的混合效应异方差模型

3

我正在调整一个混合效应模型，由于观察到的异方差性，需要包含一个效应来适应它。因此，使用nlme软件包的lme函数可以很容易地解决这个问题，见下面的代码：

library(nlme)
library(lme4)
Model1 <- lme(log(Var1)~log(Var2)+log(Var3)+
                     (Var4)+(Var5),
                    random = ~1|Var6, Data1, method="REML",
                   weights = varIdent(form=~1|Var7))
#Var6: It is a factor with several levels.
#Var7: It is a Dummy variable.

然而，我需要使用 lme4 包重新调整上述模型，即使用 lmer 函数。众所周知，有许多材料指出 lme4 存在一些限制，例如建模异方差性。我重新调整此模型的动机是我有兴趣使用特定的包，但该包仅接受通过 lmer 函数调整的混合模型。我该如何解决这种情况？下面是使用 lmer 函数调整的模型的一部分，但该模型未考虑建模观察到的异方差性效应。

Model2 <- lmer(log(Var1)~log(Var2)+log(Var3)+
                          (Var4)+(Var5)+(1|Var6),
                    Data1, REML=T)

关于随机效应（Var6）的选择以及考虑变量水平异质性的效应（Var7）的纳入，这些都经过了仔细分析。然而，我不会在这里展示整个过程，以免文章过长并且更加客观。

- user55546

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Ben Bolker · Accepted Answer

这是可以被黑客攻击的。您需要添加一个观察级别的随机效应，仅适用于具有较大残差方差的组（您需要事先知道这一点！），通过(0+dummy(Var7,"1")|obs)；这会将每个观察级别的随机效应值乘以1，如果观察值在Var7的组“1”中，则为0。此外，您还需要使用lmerControl()来覆盖lmer进行的一些检查，以确保您不会添加冗余的随机效应。

Data1$obs <- factor(seq(nrow(Data1)))
Model2 <- lmer(log(Var1)~log(Var2)+log(Var3)+
                   (Var4)+(Var5) + (1|Var6) +
                   (0+dummy(Var7,"1")|obs),
               Data1, REML=TRUE,
               control=lmerControl(check.nobs.vs.nlev="ignore",
                                   check.nobs.vs.nRE="ignore"))

all.equal(REMLcrit(Model2), c(-2*logLik(Model1))) ## TRUE
all.equal(fixef(Model1), fixef(Model2), tolerance=1e-7)

如果你想要在 hnp 中使用这个模型，你需要解决一个问题，因为 hnp 不能正确传递 lmerControl 选项。

library(hnp)
d <- function(obj) resid(obj, type="pearson")
s <- function(n, obj) simulate(obj)[[1]]
f <- function(y.) refit(Model2, y.)

hnp(Model2, newclass=TRUE, diagfun=d, simfun=s, fitfun=f)

您可能也对 DHARMa 包感兴趣，该包执行类似基于模拟的诊断。