Matriz de variância-covariância em lmer

Eu sei que uma das vantagens dos modelos mistos é que eles permitem especificar a matriz de variância-covariância para os dados (simetria composta, auto-regressiva, não estruturada etc.). No entanto, a lmerfunção em R não permite uma especificação fácil dessa matriz. Alguém sabe qual estrutura lmerusa por padrão e por que não há como especificá-la facilmente?

Modelos mistos são (versões generalizadas) de modelos de componentes de variação. Você anota a parte de efeitos fixos, adiciona termos de erro que podem ser comuns para alguns grupos de observações, adiciona a função de link, se necessário, e coloca isso em um maximizador de probabilidade.

As várias estruturas de variação que você está descrevendo, no entanto, são os modelos de correlação de trabalho para as equações de estimativa generalizada, que compensam parte da flexibilidade dos modelos misto / multinível para robustez de inferência. Com os GEEs, você está interessado apenas em realizar inferência na peça fixa e não está autorizado a estimar os componentes de variação, como faria em um modelo misto. Para esses efeitos fixos, você obtém uma estimativa robusta / sanduíche que é apropriada mesmo quando sua estrutura de correlação é especificada incorretamente. A inferência para o modelo misto será quebrada se o modelo for especificado incorretamente.

Portanto, apesar de ter muito em comum (uma estrutura multinível e capacidade de lidar com correlações residuais), modelos mistos e GEEs ainda são procedimentos um tanto distintos. O pacote R que lida com GEEs é chamado apropriadamente geee, na lista de possíveis valores da corstropção, você encontrará as estruturas mencionadas.

Do ponto de vista dos GEEs, lmertrabalha com correlações intercambiáveis ​​... pelo menos quando o modelo possui dois níveis de hierarquia e somente interceptações aleatórias são especificadas.

A ramificação FlexLamba do lmer fornece essa funcionalidade.

Consulte https://github.com/lme4/lme4/issues/224 para obter exemplos de como implementar uma estrutura específica de erros ou efeitos aleatórios.

Que eu saiba, não é uma maneira "fácil" de resolver isso. Também considerando que, na maioria dos casos, o lmer faz uso pesado de matrizes esparsas para a fatoração de Cholesky, seria improvável que ele permitisse VCVs totalmente não estruturados.

$(1|RandEff_1)+(1|RandEff_2)$

$R = \begin{bmatrix} \sigma_{RE1}^2 & 0& 0 & & 0 & 0 & 0\\ 0 & \sigma_{RE1}^2& 0 & & 0 & 0 & 0\\ 0 & 0& \sigma_{RE1}^2 & & 0 & 0 & 0\\ 0& 0& 0 & & \sigma_{RE2}^2 & 0 & 0 \\ 0 & 0& 0 & & 0 & \sigma_{RE2}^2 & 0\\ 0& 0& 0 & & 0& 0 & \sigma_{RE2}^2 \\\end{bmatrix}$

Porém, nem tudo se perde com as LME: você pode especificar esses atributos da matriz VCV "facilmente" se estiver usando o pacote R MCMCglmm. Veja o CourseNotes.pdf , p.70 . Nessa página, ele fornece alguns análogos sobre como a estrutura de efeitos aleatórios do lme4 seria definida, mas como você se verá, o lmer é menos flexível que o MCMCglmm nesse assunto.

No meio do caminho, há as classes lme corStruct do problema nlme, por exemplo. corCompSymm , corAR1 , etc. etc. A resposta de Fabian neste passo fornece alguns exemplos mais concisos para a especificação VCV baseada em lme4, mas conforme mencionado anteriormente, eles não são tão explicitamente quanto os de MCMCglmm ou nlme.