시간이 지남에 따라 일부 카운트 데이터의 랜덤 효과 모델을 작업 중이고 일부 트렌드를 제어하려고한다고 가정합니다. 일반적으로 다음과 같은 작업을 수행합니다.
lmer(counts ~ dependent_variable + (1+t+I(t^2)|ID), family="poisson")에 대한 2 차 도형을 포함합니다 t. LOESS 스무더 또는 스플라인과 같은보다 정교한 스무딩 기술을 사용하여 해당 관계를 모델링 할 수 있습니까?
답변
표시 lmer하는 내용이 임의의 효과 항 에 대한 공식에 적용되는 경우 R과 함께 제공 되는 스플라인 패키지의 함수를 사용 하여 관련 기본 함수를 설정할 수 있어야합니다.
require("lme4")
require("splines")
lmer(counts ~ dependent_variable + (bs(t) | ID), family="poisson")수행하려는 작업에 따라, 당신은 또한 살펴 봐야 gamm4의 패키지와 mgcv의 패키지로 제공된다. 전자는 본질적으로 위 bs()의 lmer()호출 에서 비트를 공식화하고 평활도 선택이 분석의 일부로 수행되도록 허용합니다. 함수가있는 후자는 gam()이와 같은 모델을 피팅 할 때 약간의 유연성을 허용합니다 (내가하려는 것을 이해한다면). 내에서 별도의 추세를 원하는 것 같습니다 ID. 보다 고정 된 효과 접근 방식은 다음과 같습니다.
gam(counts ~ dependent_variable + ID + s(t, by = ID) , family="poisson")랜덤 효과에 포함될 수 gam()사용하여 모델의 s(foo, bs = "re")경우 유형 조건을 foo것입니다 ID귀하의 예에. by아이디어라는 용어를 임의의 효과와 결합시키는 것이 합리적인지 여부 는 내가 생각할만한 것이지 내가 언급 할 자격이있는 것은 아닙니다.