2

我正在关注教程并遇到以下语法：

# assume 'S' is the name of the subjects column
# assume 'X1' is the name of the first factor column
# assume 'X2' is the name of the second factor column
# assume 'X3' is the name of the third factor column
# assume 'Y' is the name of the response column
# run the ART procedure on 'df'

# linear mixed model syntax; see lme4::lmer
m = art(Y ~ X1 * X2 * X3 + (1|S), data=df) 

anova(m)

我对(|)语法有点困惑。我查看了有关线性混合模型语法的文档，发现：“随机效应项的区别在于将设计矩阵的表达式与分组因子lmer分开的竖线”。(|)

所以我假设1这里S有两个随机效应术语。S作为随机效应是有意义的，因为它是一个可以代表参与者的随机变量。但是1随机变量如何？1这里的和是什么|意思？

4

1 回答 1

6

该|符号在公式中以不同的方式在不同的函数中使用。在线性混合模型的情况下，它用于表示随机效应。在混合模型中可以使用不同类型的随机效应：

  • 随机截距，截距（但不是斜率）因受试者而异，
  • 随机斜率，其中斜率（但不是截距）因受试者而异
  • 随机斜率和截距，两者都因受试者而异。斜率和截距可以建模为相关或不相关。

公式中的1用于指定使用其中的哪一个。下面是一些例子，取自我的书：

library(lme4)
# Random intercept:
m1 <- lmer(Reaction ~ Days + (1|Subject), data = sleepstudy)

# Random slope:
m2 <- lmer(Reaction ~ Days + (0 + Days|Subject), data = sleepstudy)

# Correlated random intercept and slope:
m3 <- lmer(Reaction ~ Days + (1 + Days|Subject), data = sleepstudy)

# Uncorrelated random intercept and slope:
m4 <- lmer(Reaction ~ Days + (1|Subject) + (0 + Days|Subject),
           data = sleepstudy)

因此，在您的示例中，(1|S)用于添加随机截距，对应于 的不同值S。

在from|的公式中可以找到类似但符号不同的用法，它用于将决策树与节点中的线性模型拟合。在这种情况下，公式看起来像，其中是响应变量，变量是线性模型中的解释变量，变量是用于构建树的变量。lmtreepartykity ~ x1 + x2 | z1 + z2 + z3yxz

于 2021-03-18T11:37:40.367 回答