【原】混合线性模型如何检测固定因子和随机因子的显著性以及计算R2

很多朋友写信问我， 像要知道固定因子的显著性和随机因子的显著性如何计算，他们使用的是lme4这个R包, 但是这个包使用anova时没有P值,还要手动计算, 随机因子也需要自己计算loglikehood值, 然后使用LRT的卡方检验进行显著性检验, 其实lme4包有扩展的包可以非常友好的做这件事情.

1. 载入数据和软件包

###载入软件包和数据library(lme4)library(lmerTest)library(sjstats)library(learnasreml)data(fm)

2. 软件包介绍

lme4

• R语言中最流行的混合线性包

• 结果不太友好, 所以才有下面两个包作为辅助

• 安装方法

  
  
  install.packages("lme4")

lmerTest

• 主要是用于检测lme4对象的固定因子和随机因子,它有两个函数:

• lmerTest::anova.lmerModLmerTest用于检测固定因子的显著性, 方差分析表采用III平方和的形式.

• lmerTest::ranova用于检测随机因子的显著性, 使用的是LRT检验, 给出的是卡方结果.

• 安装方法

install.packages("lmerTest")

sjstats

• 可以计算R2

• 可以提取方差组分

• 安装方法

install.packages("lmerTest")

3. 使用lme4进行混合线性分析

模型介绍

• 固定因子: Spacing + Rep

• 随机因子: Fam

建模

固定因子: Spacing+Rep, 随机因子: Fam

fm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)

固定因子检验

anova(fm1) # 固定因子显著性检验

可以看到Spacing 和Rep都达到极显著

随机因子显著性检验

ranova(fm1) # 随机因子显著性检验,LRT

可以看到Fam达到极显著

计算R2

r2(fm1) # 计算R2R-Squared for Generalized Linear Mixed Model
[34mFamily : gaussian (identity)Formula: h1 ~ Spacing + Rep + (1 | Fam)
[39m Marginal R2: 0.116Conditional R2: 0.277

计算固定因子每个水平的P值

p_value(fm1) # 计算每个水平的显著性

term	p.value	std.error
(Intercept)	1.535094e-127	0.7915991
Spacing3	4.957481e-09	0.5463546
Rep2	2.886600e-01	0.8082299
Rep3	7.443430e-08	0.8218056
Rep4	1.720753e-10	0.7995633
Rep5	4.635631e-01	0.7663026

提取方差组分

re_var(fm1) # 计算方差组分_sigma_2 50.7633345854535
Fam_tau.00 11.3168413429073

4. 使用asreml进行对照

建模

library(asreml)fm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm,trace=F)

固定因子检验

anova(fm2) # 固定因子显著性检验, 这里anova 是anova.asreml

随机因子显著性检验

这里首先构建一个空模型, 然后使用LRT检验

fm_Null = asreml(h1 ~ Spacing + Rep, data=fm,trace=F)lrt.asreml(fm2,fm_Null) # 随机因子显著性检验LRT

summary(fm2)$varcomp[,1:2] # 方差组分

5. 关于混合线性模型计算R2

还有一个包叫MuMIn,也可以计算R2

library(MuMIn)r.squaredLR(fm1)#计算R2
0.217233511687581

6. 完整代码分享

# 混合线性模型, 如何检测固定因子和随机因子
###载入数据library(lme4)library(lmerTest)library(sjstats)library(learnasreml)data(fm)str(fm)
### 固定因子: Spacing+Rep, 随机因子: Famfm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)summary(fm1)
anova(fm1) # 固定因子显著性检验ranova(fm1) # 随机因子显著性检验,LRT
r2(fm1) # 计算R2
p_value(fm1) # 计算每个水平的显著性
re_var(fm1) # 计算方差组分
### 对比asremlfm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm)anova(fm2) # 固定因子显著性检验, 这里anova 是anova.asremlfm_Null = asreml(h1 ~ Spacing + Rep, data=fm)lrt.asreml(fm2,fm_Null) # 随机因子显著性检验LRTsummary(fm2)$varcomp[,1:2] # 方差组分
library(MuMIn)r.squaredLR(fm1)#计算R2

混合线性模型介绍--Wiki

GLMM：广义线性混合模型

R语言混合线性模型包代码演示