Muszę zmieścić kilka modeli efektów mieszanych (zwłaszcza modele wzdłużny) używając lme4
w R
ale chciałby naprawdę opanować modeli i kod, który jedzie z nimi.
Zanim jednak zanurzę się obiema stopami (i kupię książki), chcę mieć pewność, że uczę się odpowiedniej biblioteki. Przyzwyczaiłem lme4
się do tej pory, ponieważ po prostu uważałem, że jest to łatwiejsze nlme
, ale jeśli nlme
jest to lepsze dla moich celów, to czuję, że powinienem to wykorzystać.
Jestem pewien, że żadne z nich nie jest „lepsze” w uproszczony sposób, ale ceniłbym kilka opinii lub przemyśleń. Moje główne kryteria to:
- łatwy w użyciu (jestem psychologiem z wykształcenia i nie jestem szczególnie zaznajomiony ze statystykami lub kodowaniem, ale uczę się)
- dobre cechy dopasowania danych podłużnych (jeśli jest tutaj różnica, ale do tego głównie ich używam)
- dobre (łatwe do interpretacji) podsumowania graficzne, znowu nie jestem pewien, czy jest tu różnica, ale często tworzę wykresy dla ludzi nawet mniej technicznych niż ja, więc ładne wyraźne wykresy są zawsze dobre (bardzo lubię funkcję xyplot w sieci) () z tego powodu).
Jak zwykle mam nadzieję, że to pytanie nie jest zbyt niejasne i z góry dziękuję za wszelką mądrość!
lme4
możesz albo określić ukośną strukturę kowariancji (tj. Niezależne efekty losowe) lub nieustrukturyzowane macierze kowariancji (tj. Należy oszacować wszystkie korelacje) lub częściowo ukośne, częściowo nieustrukturyzowane macierze kowariancji dla efektów losowych. Dodałbym także trzecią różnicę w możliwościach, które mogą być bardziej odpowiednie w wielu sytuacjach danych wzdłużnych:nlme
pozwólmy, że określisz struktury wariancji-kowariancji dla reszt (tj. Autokorelacja przestrzenna lub czasowa lub heteroskedastyczność),lme4
nie.