多元线性混合模型

Question

我想制作一个多元线性混合模型，其中变量

slope_reactivity

、

peak_reactivity

和

slope_recovery

作为因变量，以及

normalized_CTseverity

、

gender

、

age_years

和

binary_diagnosis

和因变量。

study

是随机效应。

我得到了这段代码：

model_cortisol <- lmer(slope_reactivity + slope_recovery + 
   peak_reactivity ~ normalized_CTseverity + age_years + 
   gender + binary_diagnosis + (1 | study), 
   data = df_sum_cort)

然而，这只给了我

normalized_CTseverity

等对

slope_reactivity

、

slope_recovery

和

peak_reactivity

作为一个整体的效果。我还希望自变量对因变量的影响彼此分开。

我该怎么做？我是否可以更改模型代码中的某些内容，或者可以进行某种事后测试吗？我不想做单独的模型，因为

slope_reactivity

、

slope_recovery

和

peak_reactivity

紧密相连。

Answer 1

您并不符合您认为的模型。公式左侧的内容都会被视为标准表达式，因此您的响应变量实际上是所有四个值的sum（可能不是您想要的）。

为了适应

lme4

中的多变量响应，您必须将数据转换为长格式，每个测量值一行（以及一个索引原始观察值的变量）。

tidyr::pivot_longer

是最简单的方法，例如

df_sum_cort$obs <- factor(seq(nrow(df_sum_cort)))
long_df <- dplyr::pivot_longer(df_sum_cort,
   c(slope_reactivity, slope_recovery, peak_reactivity),
   names_to = "var")

这将创建变量

var

，

value

。然后：

model_cortisol <- lmer(value ~ 0 + var +
  var:(normalized_CTseverity + age_years + 
        gender + binary_diagnosis) +
   (0 + var | obs) + (1|study),
   data = df_long,
   control = lmerControl(check.nobs.vs.nlev = "ignore",
                         check.nobs.vs.rankZ = "ignore"))

这将估计每个响应变量的单独影响（总体截距被

0+

抑制）以及响应之间的相关性。随机效应分量会有点奇怪，因为它们与残差方差混淆，但固定效应应该是可以解释的。

另请参阅https://rpubs.com/bbolker/3336

Answer 2

你打电话

summary(model_cortisol)

了吗？这应该会给你截距值。

查看 this 关于 R 统计的书。看起来你介意在那里找到答案，具体取决于你到底想从输出中得到什么。