Yuxian: CSDN-Content-Partner, CSDN-Mentor für aufstrebende Stars, aufstrebender Star-Ersteller im Full-Stack-Bereich, 51CTO (Top-Prominenz + Experten-Blogger), Github-Open-Source-Enthusiast (Sekundärentwicklung für Quellcode auf Null, Back-End-Architektur für Spiele https: / /github.com/Peakchen)
Das lineare gemischte Modell (LMM) in der R-Sprache ist ein statistisches Modell, das zur Analyse von Daten mit hierarchischer Struktur oder einem Design mit wiederholten Messungen verwendet wird. LMM kombiniert feste Effekte und zufällige Effekte, kann sowohl interindividuelle als auch intraindividuelle Variationen berücksichtigen und ist für korrelierte Daten geeignet.
Das Prinzip von LMM basiert auf Generalized Least Squares (GLS) und Maximum Likelihood Estimation (MLE). Es stellt Daten als lineare Kombination aus festen Effekten und zufälligen Effekten dar, wobei feste Effekte den Effekt des Populationsmittelwerts darstellen und zufällige Effekte zufällige Unterschiede zwischen Einzelpersonen darstellen. Das Ziel von LMM besteht darin, die Parameter fester Effekte und zufälliger Effekte im Modell durch Maximum-Likelihood-Schätzung oder Kleinste-Quadrate-Schätzung abzuschätzen.
Das zugrunde liegende Architekturflussdiagramm von LMM kann kurz wie folgt beschrieben werden:
-
Datenaufbereitung: einschließlich Datenimport, Datenbereinigung, Variablenauswahl usw.
-
Modelleinstellung: Bestimmen Sie die Struktur fester Effekte und zufälliger Effekte und wählen Sie eine geeignete Kovarianzstruktur aus.
-
Modellanpassung: Verwenden Sie eine geeignete R-Funktion (z. B. die lmer-Funktion im lme4-Paket), um das LMM-Modell anzupassen, und verwenden Sie die Maximum-Likelihood-Schätzung oder die Kleinste-Quadrate-Schätzung, um die Modellparameter zu lösen.
-
Modelldiagnose: Führen Sie eine Restanalyse des Modells durch, testen Sie feste Effekte und zufällige Effekte