全文链接： tecdat.cn/?p=3138
随着软件包的进步，使用广义线性混合模型（GLMM）和线性混合模型（LMM）变得越来越容易
最近我们被客户要求撰写关于广义线性混合模型的研究报告，包括一些图形和统计输出。
由于我们发现自己在工作中越来越多地使用这些模型，我们开发了一套R shiny工具来简化和加速与对象交互的
lme4
常见任务。
shiny的应用程序和演示
演示此应用程序功能的最简单方法是使用Shiny应用程序，在此处启动一些指标以帮助探索模型。
在第一个选项卡上，该函数显示用户选择的数据的预测区间。该函数通过从固定效应和随机效应项的模拟分布中抽样并组合这些模拟估计来快速计算预测区间，以产生每个观察的预测分布。
点击标题查阅往期内容
R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
左右滑动查看更多
在下一个选项卡上，固定效应和组级效果的分布在置信区间图上显示。这些对于诊断非常有用，并提供了检查各种参数的相对大小的方法。
在第三个标签上有一些方便的方法，显示效果的影响或程度
predictInterval
。对于每种情况，最多12个，在所选数据类型中，用户可以查看更改固定效应的影响。这允许用户比较变量之间的效果大小，以及相同数据之间的模型之间的效果大小。
预测像这样。
predict(m1, newdata
#> 1 2 3 4 5 6 7 8#> 3.146336 3.165211 3.398499 3.114248 3.320686 3.252670 4.180896 3.845218#> 9 10#> 3.779336 3.331012
预测lm和glm：
predInte(m1, newdata = Eval[1:10, ], n.sims = 500, level = 0.9,
#> fit lwr upr
#> 1 3.074148 1.112255 4.903116#> 2 3.243587 1.271725 5.200187#> 3 3.529055 1.409372 5.304214#> 4 3.072788 1.079944 5.142912#> 5 3.395598 1.268169 5.327549#> 6 3.262092 1.333713 5.304931
预测区间较慢，因为它是模拟计算。
可视化检查对象的功能。最简单的是得到固定和随机效应参数的后验分布。
head(Sim)
#> term mean median sd
#> 1 (Intercept) 3.22673524 3.22793168 0.01798444#> 2 service1 -0.07331857 -0.07482390 0.01304097#> 3 lectage.L -0.18419526 -0.18451731 0.01726253#> 4 lectage.Q 0.02287717 0.02187172 0.01328641#> 5 lectage.C -0.02282755 -0.02117014 0.01324410
我们可以这样绘制：
pltsim(sim(m1, n.sims = 100), level = 0.9, stat = 'median'
我们还可以快速制作随机效应的图：
head(Sims)
#> groupFctr groupID term mean median sd
#> 1 s 1 (Intercept) 0.15317316 0.11665654 0.3255914#> 2 s 2 (Intercept) -0.08744824 -0.03964493 0.2940082#> 3 s 3 (Intercept) 0.29063126 0.30065450 0.2882751#> 4 s 4 (Intercept) 0.26176515 0.26428522 0.2972536#> 5 s 5 (Intercept) 0.06069458 0.06518977 0.3105805
plotR((m1, n.sims = 100), stat = 'median', sd = TRUE
有时，随机效应可能难以解释
Rank(m1, groupFctr = "d")
head(ranks)
#> d (Intercept) (Intercept)_var ER pctER
#> 1 1866 1.2553613 0.012755634 1123.806 100#> 2 1258 1.1674852 0.034291228 1115.766 99#> 3 240 1.0933372 0.008761218 1115.090 99#> 4 79 1.0998653 0.023095979 1112.315 99#> 5 676 1.0169070 0.026562174 1101.553 98#> 6 66 0.9568607 0.008602823 1098.049 97
解释LMM和GLMM模型的结果很困难，尤其是不同参数对预测结果的相对影响。
impact(m1, Eval[7, ], groupFctr = "d", breaks = 5,n.sims = 300, level = 0.9)#> case bin AvgFit AvgFitSE nobs#> 1 1 1 2.787033 2.801368e-04 193#> 2 1 2 3.260565 5.389196e-05 240#> 3 1 3 3.561137 5.976653e-05 254#> 4 1 4 3.840941 6.266748e-05 265#> 5 1 5 4.235376 1.881360e-04 176
结果表明yhat根据我们提供的newdata在组因子系数的大小方面，从第一个到第五个分位数的变化。
ggplot(impSim, aes(x = factor(bin), y = AvgFit, ymin = AvgFit - 1.96*AvgFitSE,ymax = AvgFit + 1.96*AvgFitSE)) +
非常感谢您阅读本文，有任何问题请在下面留言！
点击文末 “阅读原文”
获取全文完整资料。
本文选自《R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）》。
点击标题查阅往期内容
R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据R语言估计多元标记的潜过程混合效应模型（lcmm）分析心理测试的认知过程
R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平
R语言非线性混合效应 NLME模型(固定效应&随机效应)对抗哮喘药物茶碱动力学研究
R语言用线性混合效应（多水平/层次/嵌套）模型分析声调高低与礼貌态度的关系
R语言LME4混合效应模型研究教师的受欢迎程度R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model分析藻类数据实例
R语言混合线性模型、多层次模型、回归模型分析学生平均成绩GPA和可视化
R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据
R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言建立和可视化混合效应模型mixed effect model
R语言LME4混合效应模型研究教师的受欢迎程度
R语言 线性混合效应模型实战案例
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题
基于R语言的lmer混合线性回归模型
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
R语言分层线性模型案例
R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据
用SPSS估计HLM多层（层次）线性模型模型