Preguntas etiquetadas con mixed-model

Me preguntaba si había alguna técnica de aprendizaje automático (sin supervisión) para modelar datos longitudinales. Siempre he usado modelos de efectos mixtos (en su mayoría no lineales), pero me preguntaba si hay otras formas de hacerlo (usando el aprendizaje automático). Por aprendizaje automático, me refiero a bosque aleatorio, clasificación / …

11 machine-learning  mixed-model 

Estoy leyendo el documento de teoría de Doug Bates sobre el paquete lme4 de R para comprender mejor la esencia de los modelos mixtos, y encontré un resultado intrigante que me gustaría entender mejor, sobre el uso de la máxima verosimilitud restringida (REML) para estimar la varianza . En la …

11 maximum-likelihood  mixed-model  unbiased-estimator  hierarchical-bayesian  reml 

He ajustado un modelo de lmer con lo siguiente (aunque con salida impresa): Random effects: Groups Name Std.Dev. day:sample (Intercept) 0.09 sample (Intercept) 0.42 Residual 0.023 Realmente me gustaría construir un intervalo de confianza para cada efecto usando la siguiente fórmula: (n−1)s2χ2α/2,n−1,(n−1)s2χ21−α/2,n−1(n−1)s2χα/2,n−12,(n−1)s2χ1−α/2,n−12 \frac{(n-1)s^2}{\chi^2_{\alpha/2, n-1}},\frac{(n-1)s^2}{\chi^2_{1-\alpha/2,n-1}} ¿Hay alguna manera de obtener convenientemente …

11 lme4-nlme  mixed-model 

Estoy tratando de especificar una fórmula para un modelo lineal de efectos mixtos (con lme4) para mi diseño experimental, pero no estoy seguro de que lo esté haciendo bien. El diseño: básicamente estoy midiendo un parámetro de respuesta en plantas. Tengo 4 niveles de tratamiento y 2 niveles de riego. …

11 r  experiment-design  mixed-model 

Mi pregunta se basa en esta respuesta que mostró qué lme4::lmermodelo corresponde a un ANOVA de medidas repetidas bidireccionales: require(lme4) set.seed(1234) d <- data.frame( y = rnorm(96), subject = factor(rep(1:12, 4)), a = factor(rep(1:2, each=24)), b = factor(rep(rep(1:2, each=12))), c = factor(rep(rep(1:2, each=48)))) # standard two-way repeated measures ANOVA: summary(aov(y~a*b+Error(subject/(a*b)), …

11 r  anova  mixed-model  repeated-measures  lme4-nlme 

Considere un modelo lineal de intercepción aleatoria. Esto es equivalente a la regresión lineal de GEE con una matriz de correlación de trabajo intercambiable. Suponga que los predictores son y y los coeficientes para estos predictores son , y . ¿Cuál es la interpretación de los coeficientes en el modelo …

11 mixed-model 

Estoy buscando consejos sobre cómo analizar datos de encuestas complejas con modelos multinivel en R. He usado el surveypaquete para ponderar las probabilidades desiguales de selección en modelos de un nivel, pero este paquete no tiene funciones para el modelado multinivel. El lme4paquete es excelente para el modelado multinivel, pero …

11 r  mixed-model  weighted-sampling  cluster-sample 

Al buscar cualquier información sobre el modelo marginal y el modelo de efectos aleatorios , y cómo elegir entre ellos, he encontrado algo de información, pero fue una explicación abstracta más o menos matemática (como por ejemplo aquí: https: //stats.stackexchange .com / a / 68753/38080 ). En algún lugar descubrí …

11 mixed-model  random-effects-model  glmm  gee  marginal-model 

Tengo una regresión logística de intercepción aleatoria (debido a mediciones repetidas) y me gustaría hacer algunos diagnósticos, específicamente en relación con valores atípicos y observaciones influyentes. Miré los residuos para ver si hay observaciones que se destacan. Pero también me gustaría mirar algo como la distancia de Cook o DFFITS. …

11 mixed-model  outliers  glmm  cooks-distance 

Me gustaría usar lme4para ajustar una regresión de efectos mixtos y multcompcalcular las comparaciones por pares. Tengo un conjunto de datos complejo con múltiples predictores continuos y categóricos, pero mi pregunta se puede demostrar utilizando el ChickWeightconjunto de datos incorporado como ejemplo: m <- lmer(weight ~ Time * Diet + …

11 r  mixed-model  multiple-comparisons 

Normalmente trato con datos en los que se miden múltiples individuos cada uno de ellos en 2 o más condiciones. Recientemente he estado jugando con el modelado de efectos mixtos para evaluar la evidencia de diferencias entre condiciones, modeladoindividual como un efecto aleatorio. Para visualizar la incertidumbre con respecto a …

11 confidence-interval  mixed-model  bootstrap  monte-carlo  simulation 

Si elige analizar un diseño de control de tratamiento previo y posterior con una variable dependiente continua utilizando un ANOVA mixto, hay varias formas de cuantificar el efecto de estar en el grupo de tratamiento. El efecto de interacción es una opción principal. En general, me gustan particularmente las medidas …

11 anova  mixed-model  effect-size  cohens-d 

Tengo dos años de datos que se ven básicamente así: Fecha _ __ Violencia S / N? _ Número de pacientes 1/1/2008 _ ___ 0 0 __ _ __ _ ____ 11 2/1/2008 _ __ _ 0 _ __ _ __ _ __ 11 3/1/2008 _ ____ 1 __ _ …

11 r  mixed-model  autocorrelation  panel-data 

Los modelos de efectos lineales mixtos son extensiones de modelos de regresión lineal para datos que se recopilan y resumen en grupos. Las ventajas clave son que los coeficientes pueden variar con respecto a una o más variables de grupo. Sin embargo, estoy luchando con cuándo usar el modelo de …

11 regression  mixed-model  random-effects-model  linear 

El mgcvpaquete Rtiene dos funciones para ajustar las interacciones del producto tensorial: te()y ti(). Entiendo la división básica del trabajo entre los dos (ajustar una interacción no lineal versus descomponer esta interacción en efectos principales y una interacción). Lo que no entiendo es por qué te(x1, x2)y ti(x1) + ti(x2) …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa