Gostaria de extrair as inclinações para cada indivíduo em um modelo de efeito misto, conforme descrito no parágrafo a seguir
Modelos de efeitos mistos foram usados para caracterizar caminhos individuais de mudança nas medidas de resumo cognitivo, incluindo termos para idade, sexo e anos de educação como efeitos fixos (Laird e Ware, 1982; Wilson et al., 2000, 2002c) ... Termos residuais e individuais da inclinação do declínio cognitivo foram extraídos dos modelos mistos, após ajuste pelos efeitos da idade, sexo e educação. As inclinações residuais ajustadas e específicas de cada pessoa foram usadas como um fenótipo de resultado quantitativo para as análises de associação genética. Essas estimativas equivalem à diferença entre a inclinação de um indivíduo e a inclinação prevista de um indivíduo da mesma idade, sexo e nível de educação.
De Jager, PL, Shulman, JM, Chibnik, LB, Keenan, BT, Raj, T., Wilson, RS, et al. (2012). Uma varredura em todo o genoma de variantes comuns que afetam a taxa de declínio cognitivo relacionado à idade . Neurobiology of Aging, 33 (5), 1017.e1-1017.e15.
Eu observei o uso da coeffunção para extrair os coeficientes de cada indivíduo, mas não tenho certeza se essa é a abordagem correta a ser usada.
Alguém pode dar alguns conselhos sobre como fazer isso?
#example R code
library(lme4)
attach(sleepstudy)
fml <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy)
beta <- coef(fml)$Subject
colnames(beta) <- c("Intercept", "Slope")
beta
summary(beta)
summary(fm1)fonte
Daysnão está centrado na média e, portanto, a interceptação do modelo é menor que o valor médio deReaction. Além disso, a linha de regressão é o melhor ajuste linear. Portanto, as observações não estão necessariamente nessa linha.