CRAN 任务视图:R 中的混合、多层和分层模型

维护者Ben Bolker、Julia Piaskowski、Emi Tanaka、Phillip Alday、Wolfgang Viechtbauer
联系方式bolker at mcmaster.ca
版本2022-10-31
URLhttps://CRAN.R-project.org/view=MixedModels
来源https://github.com/cran-task-views/MixedModels/
贡献非常欢迎您对本任务视图提出建议和改进,您可以通过 GitHub 上的问题或拉取请求,或通过电子邮件发送给维护者地址。有关更多详细信息,请参阅 贡献指南.
引用Ben Bolker、Julia Piaskowski、Emi Tanaka、Phillip Alday、Wolfgang Viechtbauer (2022)。CRAN 任务视图:R 中的混合、多层和分层模型。版本 2022-10-31。URL https://CRAN.R-project.org/view=MixedModels.
安装可以使用 ctv 包自动安装此任务视图中的包。例如,ctv::install.views("MixedModels", coreOnly = TRUE) 安装所有核心包,或 ctv::update.views("MixedModels") 安装所有尚未安装和更新的包。有关更多详细信息,请参阅 CRAN 任务视图计划.

贡献者:维护者加上 Michael Agronah、Matthew Fidler、Thierry Onkelinx

混合(或混合效应模型是一类广泛的统计模型,用于分析数据,其中观察结果可以先验地分配到离散组,并且描述组间差异的参数被视为随机(或潜在)变量。它们是多层分层模型的一类;纵向数据通常在这种框架下进行分析。在计量经济学中,纵向或横截面时间序列数据通常被称为面板数据,有时用混合模型拟合。混合模型可以在频率论或贝叶斯框架中拟合。

此任务视图仅包含包含连续(通常虽然不总是高斯)潜在变量的模型。这排除了处理隐马尔可夫模型、潜在马尔可夫模型和有限(离散)混合模型的包(其中一些由 Cluster 任务视图涵盖)。动态线性模型和其他不包含离散分组变量的状态空间模型也被排除在外(其中一些由 TimeSeries 任务视图涵盖)。Bioconductor 上托管的混合模型的生物信息学应用 也被排除在外。

基本模型拟合

线性混合模型

线性混合模型 (LMM) 做出以下假设

频率派

频率派 LMM 最常用的包和/或函数是

贝叶斯

大多数贝叶斯 R 包使用马尔可夫链蒙特卡罗 (MCMC) 估计:MCMCglmmrstanarmbrms;后两个包使用 Stan 基础设施。 blme 基于 lme4,使用最大后验 (MAP) 估计。 bamlss 提供了一套灵活的模块化函数,用于贝叶斯回归建模。

广义线性混合模型

广义线性混合模型 (GLMM) 可以被描述为广义线性模型 (GLM) 的分层扩展,或者作为 LMM 对不同响应分布的扩展,通常在指数族中。随机效应分布通常假定在线性预测器的尺度上是高斯分布。

频率派

贝叶斯

大多数贝叶斯混合模型包使用某种形式的马尔可夫链蒙特卡罗(或其他蒙特卡罗方法)。

以下包(除了 bamlss)通过优化找到贝叶斯 (G)LMM 的最大后验拟合

vglmer 通过变分贝叶斯方法估计 GLMM。

非线性混合模型

非线性混合模型包含 GLMM 框架无法容纳的任意非线性响应。只有少数包可以容纳广义非线性混合模型(即具有非高斯响应的参数非线性混合模型)。但是,许多包允许平滑的非参数组件(见下文 “加性模型”)。否则,用户可能需要在更通用的 分层建模框架 中自己实现 GNLMM。

频率派

贝叶斯

广义估计方程

广义估计方程 (GEE) 是拟合聚类、纵向或其他相关数据的另一种方法。这些模型产生对边际效应的估计(在组级变异中平均),而不是条件效应(以组级信息为条件)。

专门模型

分层建模框架

这些包不直接提供用于拟合混合模型的函数,而是实现与通用采样和优化工具箱的接口,这些工具箱可用于拟合混合模型。虽然模型需要额外的设置工作,并且通常需要使用 R 以外的特定于领域的语言进行编程,但这些框架比这里列出的大多数其他包更灵活。

模型诊断和汇总统计

模型诊断

汇总统计

导数

对数似然函数关于参数的一阶和二阶导数对于各种模型评估任务(例如,计算敏感性、稳健方差-协方差矩阵或 delta 方法方差)很有用。

数据集

许多包包含小型示例数据集(例如,lme4, nlme)。这些包提供了之前描述的,通常用于评估混合模型的数据集。

模型展示和预测

用于方便地以表格和图形方式输出混合模型结果的函数和框架

便捷包装器

这些函数提供了方便的框架来拟合和解释混合模型。

推断和模型选择

假设检验

预测和估计

自举法

功效分析和模拟

这些主题密切相关,因为很少有可用的分析方法来计算混合模型的统计功效;功效通常需要通过模拟来估计。

模型选择

商业软件接口

CRAN 包

核心brmsbroom.mixedgeepackglmmTMBlavaanlme4MCMCglmmmultilevelmodnlmesommer.
常规afex, aod, aods3, ARpLMEC, asremlPlus, babelmixr2, bamlss, BGLR, blavaan, blme, blmeco, boot.pval, buildmer, cAIC4, car, CARBayesST, CLME, clubSandwich, coxme, CpGassoc, cplm, CRTgeeDR, DHARMa, dhglm, dotwhisker, effects, emmeans, ez, faux, gamlss, gamm4, gee, geeM, geesmv, ggeffects, glmertree, glmm, GLMMadaptive, glmmEP, glmmfields, glmmLasso, GLMMRR, glmulti, gpboost, greta, hglm, HLMdiag, huxtable, iccbeta, influence.ME, influence.SEM, inlabru, insight, JointAI, kinship2, languageR, lmeInfo, LMERConvenienceFunctions, lmeresampler, lmerTest, lmeSplines, lmmpar, longpower, lqmm, marginaleffects, MarginalMediation, margins, MASS, mbest, mclogit, MCMC.qpcr, mdhglm, mdmb, merDeriv, merTools, mgcv, mice, mixedsde, mixlm, mlmRev, mmrm, modelsummary, MplusAutomation, mrgsolve, multgee, multilevelTools, MuMIn, mvctm, mvglmmRank, nimble, nlmeU, nlmixr2, nlmixr2data, nlmm, ordinal, pan, parameters, partR2, pass.lme, pbkrtest, pedigreemm, performance, pez, phyr, piecewiseSEM, PKNCA, PKPDsim, plm, QGglmm, qgtools, qrLMM, qrNLMM, QTLRel, R2BayesX, r2glmm, R2jags, R2OpenBUGS, repeated, rjags, RLRsim, robustBLME, robustlmm, rockchalk, rptR, rrBLUP, rstan, rstanarm, RVAideMemoire, rxode2, saemix, SASmixed, sem, semtree, simr, sjPlot, skewlmm, spaMM, sphet, spind, splmm, StroupGLMM, TMB, tmbstan, varTestnlme, VetResearchLMM, vglmer, WeMix, wgeesel.
已归档BMTMEclusterPowerdalmatianmlmmmPhxnlme.

相关链接

其他资源