Voici un exemple de l`un des modèles que j`essaie d`adapter. J`étudie les oiseaux, et je voudrais modéliser les effets de la population et de la saison sur le nombre d`arrêts pendant la migration. Je voudrais utiliser l`individu comme un effet aléatoire, parce que pour certaines personnes, j`ai jusqu`à 5 ans de données. Les informations contenues dans le jeu de données GDATA = peuvent apparaître de l`une des deux façons. La première est une représentation clairsemée pour laquelle vous incluez des variables Row, col et value pour indiquer la ligne, la colonne et la valeur de, respectivement. Tous les emplacements non spécifiés sont supposés être 0. La deuxième représentation est pour les matrices denses. Dans celui-ci, vous incluez les variables Row et col1 – Coln pour indiquer, respectivement, la ligne et les colonnes de, qui est une matrice symétrique de l`ordre n. Pour les deux représentations, vous devez spécifier des effets dans l`instruction RANDOM qui génèrent une matrice qui contient n colonnes. (Voir exemple 56,4.) Sur la réponse pratique: Si vous avez environ 1/3 de vos observations avec une seule observation par individu, vous êtes probablement OK globalement.
Le reste de la population devrait fournir une estimation raisonnable pour $SD (eta) $ et $SD (epsilon) $, et ces personnes devraient être des contributeurs mineurs dans l`ensemble. D`autre part, si vous avez tous les individus à un effet fixe spécifique et d`un effet aléatoire avec une seule mesure (par exemple, pour votre cas, peut-être toute une population–peut-être que les espèces signifie pour vous), alors vous feriez confiance au résultat moins. J`envisage d`utiliser un GLMM, mais je ne comprends pas vraiment comment les niveaux d`effet aléatoire avec des observations uniques affecteront le modèle. Une caractéristique très cool des modèles à effet mixte est que nous pouvons estimer le temps de réaction moyen de nouveaux sujets hypothétiques en utilisant l`écart type d`effet aléatoire estimé: 3. si M1 est un cas particulier de m2 – cela pourrait être une option intéressante pour la réduction du modèle, mais Je n`ai jamais vu quelque chose comme m2 dans les papiers. Au lieu de cela, ils suggèrent de laisser tomber la pente aléatoire et donc l`interaction complètement (par exemple https://doi.org/10.1016/j.jml.2017.01.001). Après avoir lu ce post lecteurs peuvent se demander comment choisir, puis, entre le montage de la variation d`un effet comme une interaction classique ou comme un effet aléatoire, si vous êtes dans ce cas, je vous pointez vers ce poste et le lme4 FAQ page Web. demande que la matrice soit lue à partir d`un ensemble de données SAS. Cette matrice est supposée être connue; par conséquent, les paramètres du seul côté des effets dans l`instruction répétée sont inclus dans les itérations de Newton-Raphson. Si aucune instruction répétée n`est spécifiée, seule une variance résiduelle est estimée.
spécifie la structure de covariance de. Les valeurs valides pour la covariance-structure et leurs descriptions sont répertoriées dans le tableau 56,13 et le tableau 56,14.
