Próbuję stworzyć model przy użyciu pakietu MCMCglmm
w R.MCMCglmm wielomianu model R
Dane są pogrupowane w następujący sposób, gdzie dyad, ogniskowe, inne są wszystkie losowe efekty, predict1-2 są predyktorem zmienne i odpowiedź 1-5 są zmiennymi rezultatu że capture # obserwowanych zachowań różnych podtypów:
dyad focal other r present village resp1 resp2 resp3 resp4 resp5
1 10101 14302 0.5 3 1 0 0 4 0 5
2 10405 11301 0.0 5 0 0 0 1 0 1
…
więc model z jednym tylko wynik (nauczanie) przedstawia się następująco:
prior_overdisp_i <- list(R=list(V=diag(2),nu=0.08,fix=2),
G=list(G1=list(V=1,nu=0.08), G2=list(V=1,nu=0.08), G3=list(V=1,nu=0.08), G4=list(V=1,nu=0.08)))
m1 <- MCMCglmm(teaching ~ trait-1 + at.level(trait,1):r + at.level(trait,1):present,
random= ~idh(at.level(trait,1)):focal + idh(at.level(trait,1)):other +
idh(at.level(trait,1)):X + idh(at.level(trait,1)):village,
rcov=~idh(trait):units, family = "zipoisson", prior=prior_overdisp_i,
data = data, nitt = nitt.1, thin = 50, burnin = 15000, pr = TRUE, pl = TRUE, verbose = TRUE, DIC = TRUE)
Notatki z kursu Hadfielda (rozdział 5) podają przykład modelu wielomianowego, który wykorzystuje tylko jedną zmienną wyniku z 3 poziomami (rogi owcze 3 typów). Podobne leczenie można znaleźć tutaj: http://hlplab.wordpress.com/2009/05/07/multinomial-random-effects-models-in-r/ To nie jest w porządku dla tego, co robię, ale zawiera przydatne informacje podstawowe.
Kolejne odniesienie (Hadfield 2010) podaje przykład MCMCglm o wielu odpowiedziach, który ma ten sam format, ale wykorzystuje metodę cbind() do przewidywania wektora odpowiedzi zamiast pojedynczego wyniku. Ten sam model z wieloma odpowiedziami będzie wyglądać następująco:
m1 <- MCMCglmm(cbind(resp1, resp2, resp3, resp4, resp5) ~ trait-1 +
at.level(trait,1):r + at.level(trait,1):present,
random= ~idh(at.level(trait,1)):focal + idh(at.level(trait,1)):other +
idh(at.level(trait,1)):X + idh(at.level(trait,1)):village,
rcov=~idh(trait):units,
family = cbind("zipoisson","zipoisson","zipoisson","zipoisson","zipoisson"),
prior=prior_overdisp_i,
data = data, nitt = nitt.1, thin = 50, burnin = 15000, pr = TRUE, pl = TRUE, verbose = TRUE, DIC = TRUE)
Mam dwa pytania jest programowanie tutaj:
Jak mogę określić przed dla tego modelu? Przyjrzałem się materiałom wymienionym w tym poście, ale po prostu nie mogę tego rozgryźć.
Uruchomiłem podobną wersję tylko z dwiema zmiennymi odpowiedzi, ale otrzymałem tylko jedno nachylenie - gdzie sądziłem, że powinienem uzyskać inne nachylenie dla każdej zmiennej
resp
. Gdzie się mylę lub źle zrozumiałem model?
Czy sprawdziłeś, czy 'fix = 2' w' R = liście (V = diag (2), nu = 0.08, poprawka = 2) "czy naprawdę ma sens? W moim rozumieniu wcześniejszej specyfikacji MCMCglmm 'fix' należy odczytywać jak wartość boolowską:' fix = 0' jest domyślną wartością dla nieutwierdzania wariancji na 'V', a' fix = 1' oznacza "napraw wariancję w wartość "V". Więc 'fix = 2' (lub podobne) imo nie powinno mieć żadnego znaczenia. (Ale na stronie 103 jego notatek Hadfielda używa tej specyfikacji: ftp://cran.r-project.org/pub/R/web/packages/MCMCglmm/vignettes/CourseNotes.pdf) – Qaswed
@Qaswed Wracam do te dane po paru latach i ponownie przyglądają się tym modelom. Rozumiem, że składnik "fix" ma związek z tym, która część modelu jest poprzednikiem ... ponieważ istnieje element kategoryczny (zerowanie przewidujące) i komponent ciągły (przewidywanie wartości niezerowych).Jest to charakterystyczne dla modeli zipoisson, które z technicznego punktu widzenia są wielomianami. Zastrzeżenie: mogę być zdezorientowany! –