He estado trabajando con algunos de los datos que tiene algunos problemas con mediciones repetidas. Al hacerlo me di cuenta de comportamiento muy diferente entre lme() y lmer() el uso de mis datos de prueba y quieren saber por qué.
El falso conjunto de datos que he creado tiene la altura y el peso de las mediciones de 10 temas, tomado dos veces cada uno. Puedo configurar los datos de modo que entre los sujetos que habría una relación positiva entre la altura y el peso, pero una relación negativa entre las medidas repetidas de cada individuo.
set.seed(21)
Height=1:10; Height=Height+runif(10,min=0,max=3) #First height measurement
Weight=1:10; Weight=Weight+runif(10,min=0,max=3) #First weight measurement
Height2=Height+runif(10,min=0,max=1) #second height measurement
Weight2=Weight-runif(10,min=0,max=1) #second weight measurement
Height=c(Height,Height2) #combine height and wight measurements
Weight=c(Weight,Weight2)
DF=data.frame(Height,Weight) #generate data frame
DFAquí es un gráfico de los datos, con líneas que conectan las dos mediciones de cada individuo.
Así que me encontré con dos modelos, uno con $ID=as.factor(rep(1:10,2)) #add subject ID
DF$ de la Number=as.factor(c(rep(1,10),rep(2,10))) #differentiate between first and second measurement
paquete y uno con lme() de nlme. En ambos casos me encontré con una regresión de peso en contra de altura, con un efecto aleatorio de IDENTIFICACIÓN para el control de las mediciones repetidas de cada individuo.
lmer()A estos dos modelos, a menudo (aunque no siempre, dependiendo de la semilla) generado resultados completamente diferentes. He visto donde se generan ligeramente diferentes estimaciones de la variación, calcular diferentes grados de libertad, etc., pero aquí los coeficientes son en direcciones opuestas.
lme4Para ilustrar visualmente, modelo con library(nlme)
Mlme=lme(Height~Weight,random=~1|ID,data=DF)
library(lme4)
Mlmer=lmer(Height~Weight+(1|ID),data=DF)
Y el modelo con coef(Mlme)
# (Intercept) Weight
#1 1.57102183 0.7477639
#2 -0.08765784 0.7477639
#3 3.33128509 0.7477639
#4 1.09639883 0.7477639
#5 4.08969282 0.7477639
#6 4.48649982 0.7477639
#7 1.37824171 0.7477639
#8 2.54690995 0.7477639
#9 4.43051687 0.7477639
#10 4.04812243 0.7477639
coef(Mlmer)
# (Intercept) Weight
#1 4.689264 -0.516824
#2 5.427231 -0.516824
#3 6.943274 -0.516824
#4 7.832617 -0.516824
#5 10.656164 -0.516824
#6 12.256954 -0.516824
#7 11.963619 -0.516824
#8 13.304242 -0.516824
#9 17.637284 -0.516824
#10 18.883624 -0.516824
¿Por qué son estos modelos divergentes tanto?
