modelos - Extrae variaciones de efectos aleatorios del objeto modelo lme4 mer

efecto anidado

Question

Tengo un objeto mer que tiene efectos fijos y aleatorios. ¿Cómo extraigo las estimaciones de varianza para los efectos aleatorios? Aquí hay una versión simplificada de mi pregunta.

study <- lmer(Reaction ~ Days + (1|Subject), data = sleepstudy)
study

Esto proporciona una salida larga, no demasiado larga en este caso. De todos modos, ¿cómo selecciono explícitamente el

Random effects:
Groups Name Variance Std.Dev.
Subject (Intercept) 1378.18 37.124
Residual 960.46 30.991

parte de la salida? Quiero los valores en sí mismos.

He echado un largo vistazo a

str(study)

¡y no hay nada allí! También verifiqué todas las funciones de extractor en el paquete lme4 en vano. ¡Por favor ayuda!

Answer 1

Algunas de las otras respuestas son viables, pero afirmo que la mejor respuesta es usar el método de acceso diseñado para esto: VarCorr (este es el mismo que en el predecesor de nlme , el paquete nlme ).

ACTUALIZACIÓN en versiones recientes de lme4 (versión 1.1-7, pero todo lo que sigue puede aplicarse a las versiones> = 1.0), VarCorr es más flexible que antes y debe hacer todo lo que quiera sin recurrir a la pesca dentro del objeto modelo ajustado.

library(lme4)
study <- lmer(Reaction ~ Days + (1|Subject), data = sleepstudy)
VarCorr(study)
## Groups Name Std.Dev.
## Subject (Intercept) 37.124
## Residual 30.991

De forma predeterminada, VarCorr() imprime las desviaciones estándar, pero puede obtener varianzas en su lugar si lo prefiere:

print(VarCorr(study),comp="Variance")
## Groups Name Variance
## Subject (Intercept) 1378.18
## Residual 960.46

( comp=c("Variance","Std.Dev.") imprimirá ambos).

Para mayor flexibilidad, puede usar el método as.data.frame para convertir el objeto VarCorr , que proporciona la variable de agrupación, las variables de efecto, y la varianza / covarianza o desviación estándar / correlaciones:

as.data.frame(VarCorr(study))
## grp var1 var2 vcov sdcor
## 1 Subject (Intercept) <NA> 1378.1785 37.12383
## 2 Residual <NA> <NA> 960.4566 30.99123

Finalmente, la forma cruda del objeto VarCorr (que probablemente no debería meterse con usted si no es necesario) es una lista de matrices de varianza-covarianza con información adicional (redundante) que codifica las desviaciones y correlaciones estándar, así como también como atributos ( "sc" ) dando la desviación estándar residual y especificando si el modelo tiene un parámetro de escala estimado ( "useSc" ).

unclass(VarCorr(fm1))
## $Subject
## (Intercept) Days
## (Intercept) 612.089748 9.604335
## Days 9.604335 35.071662
## attr(,"stddev")
## (Intercept) Days
## 24.740448 5.922133
## attr(,"correlation")
## (Intercept) Days
## (Intercept) 1.00000000 0.06555134
## Days 0.06555134 1.00000000
##
## attr(,"sc")
## [1] 25.59182
## attr(,"useSc")
## [1] TRUE
##

Answer 2

Tratar

attributes(study)

Como ejemplo:

> women
height weight
1 58 115
2 59 117
3 60 120
4 61 123
5 62 126
6 63 129
7 64 132
8 65 135
9 66 139
10 67 142
11 68 146
12 69 150
13 70 154
14 71 159
15 72 164
> lm1 <- lm(height ~ weight, data=women)
> attributes(lm1)
$names
[1] "coefficients" "residuals" "effects" "rank"
[5] "fitted.values" "assign" "qr" "df.residual"
[9] "xlevels" "call" "terms" "model"
$class
[1] "lm"
> lm1$coefficients
(Intercept) weight
25.7234557 0.2872492
> lm1$coefficients[[1]]
[1] 25.72346
> lm1$coefficients[[2]]
[1] 0.2872492

El fin.

Answer 3

lmer devuelve un objeto S4, por lo que debería funcionar:

remat <- summary(study)@REmat
print(remat, quote=FALSE)

Que impresiones:

 Groups Name Variance Std.Dev.
Subject (Intercept) 1378.18 37.124
Residual 960.46 30.991

... En general, puede ver la fuente de los métodos de print y summary para los objetos "mer":

class(study) # mer
selectMethod("print", "mer")
selectMethod("summary", "mer")

Answer 4

> attributes(summary(study))$REmat
Groups Name Variance Std.Dev.
"Subject" "(Intercept)" "1378.18" "37.124"
"Residual" "" " 960.46" "30.991"