Quiero ajustar el modelo mixto utilizando lme4, nlme, paquete de regresión baysian o cualquiera disponible.
Modelo mixto en Asreml- Convenciones de codificación de R
antes de entrar en detalles, es posible que queramos tener detalles sobre las convenciones asreml-R, para aquellos que no están familiarizados con los códigos ASREML.
y = X + Zu + e ........................(1) ; el modelo mixto habitual con, y denota el vector n × 1 de observaciones,donde es el vector p×1 de efectos xed, X es una matriz de diseño n×p de rango de columna completo que asocia las observaciones con la combinación apropiada de efectos xed, u es el vector q × 1 de efectos aleatorios, Z es la matriz de diseño n × q que asocia las observaciones con la combinación apropiada de efectos aleatorios, y e es el vector n × 1 de errores residuales. El modelo (1) se denomina modelo lineal mixto o modelo lineal de efectos mixtos. Se supone que
donde las matrices G y R son funciones de los parámetros y , respectivamente.
Se trata de un parámetro de varianza que denominaremos parámetro de escala.
En los modelos de efectos mixtos con más de una varianza residual, que surgen por ejemplo en el análisis de datos con más de una sección o variante, el parámetro se se fija en uno. En los modelos de efectos mixtos con una única varianza residual, entonces es igual a la varianza residual (2). En este caso R debe ser la matriz de correlaciones. Encontrará más detalles sobre los modelos en el Manual Asreml (enlace) .
Estructuras de varianza para los errores: Estructura R y Estructuras de varianza para los efectos aleatorios: G.
modelización de la varianza en asreml() es importante comprender la formación de estructuras de varianza mediante productos directos. El supuesto habitual de mínimos cuadrados (y el predeterminado en asreml()) es que éstos se distribuyen de forma independiente e idéntica (IID). Sin embargo, si los datos proceden de un experimento de campo dispuesto en una matriz rectangular de r filas por c columnas, por ejemplo, podríamos organizar los residuos e como una matriz y considerar potencialmente que están autocorrelacionados dentro de las filas y las columnas. dentro de columnas (parcelas dentro de bloques) la varianza de los residuos podría ser entonces
son matrices de correlación para el modelo de filas (orden r, parámetro de autocorrelación ½r) y el modelo de columnas (orden c, parámetro de autocorrelación ½c) A veces se asume AR1) para los errores comunes en un análisis de ensayo de campo. respectivamente. Más concretamente, una estructura espacial autorregresiva separable bidimensional (AR1 x
Los datos del ejemplo:
nin89 procede de la biblioteca asreml-R, en la que se cultivaron diferentes variedades en repeticiones / bloques en un campo rectangular. Para controlar la variabilidad adicional en dirección fila o columna, cada parcela está referenciada como variables fila y columna (diseño fila columna). Así, este diseño fila columna con bloqueo. El rendimiento es la variable medida.
Modelos de ejemplo
Necesito algo equivalente a los códigos asreml-R:
La sintaxis del modelo simple será la siguiente:
rcb.asr <- asreml(yield Variety, random = Replicate, data = nin89)
.....model 0El modelo lineal se especifica en los campos fijo (obligatorio), aleatorio (opcional) y rcov (error El valor por defecto es un término de error simple y no es necesario especificarlo formalmente para el término de error como en el modelo 0.
aquí la variedad es el efecto fijo y el aleatorio son las réplicas (bloques). Además de los términos aleatorio y fijo podemos especificar el término de error. Que por defecto en este modelo es 0. El componente residual o de error del modelo se especifica en un objeto de fórmula mediante el argumento rcov, véanse los siguientes modelos 1:4.
El siguiente modelo1 es más complejo y en él se especifican tanto la estructura G (aleatoria) como la R (error).
Modelo 1:
data(nin89)
# Model 1: RCB analysis with G and R structure
rcb.asr <- asreml(yield ~ Variety, random = ~ idv(Replicate),
rcov = ~ idv(units), data = nin89)Este modelo es equivalente al modelo 0 anterior, e introduce el uso del modelo de varianza G y R. Aquí la opción random y rcov especifica las fórmulas random y rcov para especificar explícitamente las estructuras G y R. donde idv() es la función de modelo especial en asreml() que identifica el modelo de varianza. La expresión idv(units) establece explícitamente la matriz de varianza para e a una identidad escalada.
# Modelo 2: modelo espacial bidimensional con correlación en una dirección
sp.asr <- asreml(yield ~ Variety, rcov = ~ Column:ar1(Row), data = nin89)Las unidades experimentales de nin89 están indexadas por Columna y Fila. Donde ar1() es una función especial que especifica un modelo de varianza autorregresiva de primer orden para Row. Esta llamada especifica una estructura espacial bidimensional para el error, pero con correlación espacial sólo en la dirección de la fila. por defecto.
# modelo 3: modelo espacial bidimensional, estructura de errores en ambas direcciones
sp.asr <- asreml(yield ~ Variety, rcov = ~ ar1(Column):ar1(Row),
data = nin89)
sp.asr <- asreml(yield ~ Variety, random = ~ units,
rcov = ~ ar1(Column):ar1(Row), data = nin89)similar al modelo 2 anterior, sin embargo la correlación es bidireccional - autorregresiva.
No estoy seguro de hasta qué punto estos modelos son posibles con paquetes R de código abierto. Incluso si la solución de cualquiera de estos modelos será de gran ayuda. ¡Incluso si el bouty de +50 puede estimular a desarrollar dicho paquete será de gran ayuda !
MAYSaseen ha proporcionado los resultados de cada modelo y los datos (como respuesta) para su comparación.
Editado: La siguiente es una sugerencia que recibí en el foro de discusión del modelo mixto: " Podrías echar un vistazo a los paquetes regress y spatialCovariance de David Clifford. El primero permite ajustar modelos mixtos (gaussianos) en los que se puede especificar la estructura de la matriz de covarianza de forma muy flexible (por ejemplo, yo lo he utilizado para datos de pedigrí). El paquete spatialCovariance utiliza regress para proporcionar modelos más elaborados que AR1xAR1, pero puede ser aplicable. Es posible que tenga que ponerse en contacto con el autor para aplicarlo a su problema exacto".
