MerQuR+Başvuru Kitabı

24. Doğrusal olmayan karma model (nlme)

Şablon kimliği: nlme_karma · Kategori: karma model · Dil: R · Dosya: pro/sablonlar/karma_model/nlme_karma.R (satır 1–261; üstbilgi 1–148) · Örnek veri: _ornek/orange.csv · Paketler: nlme 3.1-168; Laplace motorunda lme4 2.0-6

24.1 Ne işe yarar

Şablon, her bireyin (ağaç, hayvan, hasta, parsel) zaman ya da doz boyunca doğrusal olmayan bir eğri izlediği tekrarlı ölçümlü verilerde eğrinin parametrelerini kestirir ve bu parametrelerin bireyler arasında ne kadar değiştiğini rastgele etkilerle ölçer. Cevapladığı soru şudur: "Popülasyonun tipik eğrisi nedir ve bireylerin eğrileri bu tipik eğriden hangi parametrede, ne kadar ayrılıyor?"

y_{ij}=f\big(x_{ij};\ \boldsymbol\phi_i\big)+\varepsilon_{ij},\qquad \boldsymbol\phi_i=\boldsymbol\beta+\mathbf B\,\mathbf b_i,\qquad \mathbf b_i\sim N(\mathbf 0,\boldsymbol\Psi),\quad \varepsilon_{ij}\sim N(0,\sigma^2)
  • y_{ij}: i. bireyin j. ölçümü; x_{ij}: açıklayıcı değişken (yaş, zaman, doz).
  • f: seçilen eğri (lojistik, Gompertz, asimptotik üstel, Michaelis–Menten); \boldsymbol\phi_i: bireyin parametreleri.
  • \boldsymbol\beta: sabit etkiler (popülasyon parametreleri). \mathbf b_i: rastgele etkiler; \mathbf B, hangi parametrelerin rastgele etki aldığını seçen 0–1 matrisidir.
  • \boldsymbol\Psi: rastgele etkilerin kovaryansı (köşegen ya da genel); \sigma^2: artık varyans.

Örnek ayardaki model, üç parametreli lojistik eğride yalnız asimptota rastgele etki verir:

y_{ij}=\frac{\text{Asym}+b_i}{1+\exp\!\big((\text{xmid}-x_{ij})/\text{scal}\big)}+\varepsilon_{ij}

Ne zaman kullanılır? Aynı bireyden çok sayıda ölçüm varsa ve yanıt, parametreleri yorumlanabilen doğrusal olmayan bir eğri izliyorsa (büyüme, farmakokinetik, enzim kinetiği, doz-yanıt); ilgi hem tipik eğride hem bireyler arası değişkenliktedir (Davidian ve Giltinan, 2003).

Ne zaman kullanılmaz?

  • Tek bir eğri varsa (gruplama yok) ya da kendi formülünüzle bir model uyduracaksanız: temel programdaki Doğrusal Olmayan Regresyon.
  • Tek eğride dört parametreli log-lojistik doz-yanıt, EC50 ve etkin dozlar isteniyorsa: dort_parametreli_lojistik şablonu.
  • Yanıt açıklayıcı değişkenle doğrusal ilişkiliyse ya da dönüşümle doğrusallaşıyorsa: temel programdaki LMM (Doğrusal Karma Modeller).
  • Hazır beş eğriden başka bir model, açıklayıcı değişkenli parametreler (ör. tedaviye göre farklı asimptot) ya da normal olmayan yanıt gerekiyorsa: şablon kodu düzenlenir ya da ozel_olabilirlik şablonu kullanılır.
  • Grup sayısı 3'ten azsa şablon çalışmaz; 5–6 grupla varyans bileşenleri çok belirsizdir.

Temel programla ilişki. Temel programdaki Doğrusal Olmayan Regresyon bütün gözlemleri bağımsız sayar ve tek bir parametre kümesi kestirir. Bu şablon aynı eğriyi, parametreleri bireyden bireye değişen bir karma modelin içinde kestirir; başlangıç değerleri için o "havuzlanmış" uyumu kendisi yapar.

24.2 Şablonun girdileri

Form, üstbilgideki 18 [[param]] bloğundan kurulur (nlme_karma.R:10–147).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Yanıt · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal y (155).
Açıklayıcı değişken (zaman, doz) · x sayısal sütun · Değişkenler — sayısal x (155).
Gruplama faktörü (birey) · grup kategorik sütun · Değişkenler — herhangi bir sütun Rastgele etkinin düzeyi (158).
Model · model seçim · Model lojistik3 lojistik3, lojistik4, gompertz, asimptotik, michaelis Eğri ve parametre adları (166–171).
Rastgele etkili parametreler (virgülle; boşsa ilk parametre) · rastgele metin · Model boş modelin parametre adları Rastgele etki alan parametreler (172–177).
Kestirim motoru · motor seçim · Model nlme nlme, nlmer Lindstrom–Bates (183–199) ya da Laplace (200–217).
Kestirim yöntemi · yontem seçim · Model ML ML, REML nlme(method = …) (188); Laplace motorunda yalnız ML (181). Form açıklaması nlme'de REML'in sabit etkileri değiştirmediğini, varyansları N/(N-p) ile ölçeklediğini söyler (51; 24.4.4).
Rastgele etki kovaryans yapısı · re_kov seçim · Model pdDiag pdDiag, pdSymm Köşegen ya da genel \boldsymbol\Psi (187, 202).
Sabit etki güven aralıkları tablosu · guven_araliklari onay · Çıktı kapalı açık / kapalı Ek tablo: kestirim ± t × SH, sabit etkiler tablosundaki SH ile (219–228).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 Güven aralıkları tablosunun düzeyi (220–221).
Optimizasyon algoritması · optimizer seçim · Gelişmiş nlminb nlminb, nlm nlmeControl(opt = …) (191); Laplace motorunda kullanılmaz.
En çok dış yineleme · maks_yineleme tamsayı · Gelişmiş 200 5–10 000 maxIter (189).
En çok optimizasyon yinelemesi · maks_ic_yineleme tamsayı · Gelişmiş 10 000 5–100 000 msMaxIter (189); Laplace: maxfun (205).
Yakınsama toleransı · tolerans ondalık · Gelişmiş 0,00001 10^{-12}–0,01 tolerance (190); Laplace: FtolAbs (205); Laplace motorunda sonucu çoğunlukla değiştirmez.
Optimizasyon toleransı · ic_tolerans ondalık · Gelişmiş 0,0000001 10^{-12}–0,01 msTol (191); Laplace: FtolRel (206); Laplace motorunda sonucu çoğunlukla değiştirmez.
Başlangıç EM yinelemesi · em_yineleme tamsayı · Gelişmiş 25 0–1000 niterEM (191).
En çok PNLS yinelemesi · pnls_yineleme tamsayı · Gelişmiş 20 1–1000 pnlsMaxIter (190).
PNLS toleransı · pnls_tol ondalık · Gelişmiş 0,001 10^{-10}–0,5 pnlsTol (190).

Örnek ayar (satır 9): y = circumference, x = age, grup = Tree, model = lojistik3, rastgele = Asym.

Hazır eğriler ve parametreleri (R'nin kendiliğinden başlangıç değeri üreten model işlevleri):

model Eğri f(x) Parametreler
lojistik3 \dfrac{\text{Asym}}{1+e^{(\text{xmid}-x)/\text{scal}}} Asym: üst asimptot; xmid: yarı yüksekliğe ulaşılan x; scal: ölçek
lojistik4 A+\dfrac{B-A}{1+e^{(\text{xmid}-x)/\text{scal}}} A, B: alt ve üst asimptot; xmid; scal
gompertz \text{Asym}\cdot\exp(-b_2\,b_3^{\,x}) Asym; b2: x=0'daki konum; b3: büyüme oranı (0<b_3<1)
asimptotik \text{Asym}+(R_0-\text{Asym})\,e^{-e^{\text{lrc}}x} Asym; R0: x=0'daki yanıt; lrc: hız sabitinin doğal logaritması
michaelis \dfrac{V_m\,x}{K+x} Vm: en büyük hız; K: yarı doygunluk sabiti

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 152
Yanıt ve açıklayıcı aynı sütun "farklı olmalı" 153
Gruplama sütunu yanıt ya da açıklayıcı "yanıt ya da açıklayıcı değişken olamaz" 154
Yanıt ya da açıklayıcı sayısal değil "sayısal olmalı" 157
Eksiksiz satır < 10 "Eksiksiz en az 10 satır gerekli." 160
Grup düzeyi < 3 "en az 3 düzey içermeli" 161
Yanıt ya da açıklayıcı sabit "sabit" 162
Açıklayıcının farklı değeri < 4 "en az 4 farklı değer almalı" 163
Rastgele listesinde modelde olmayan ad "Bilinmeyen parametre: … Bu modelin parametreleri: …" 175–177
Havuzlanmış başlangıç uyumu başarısız "Havuzlanmış nls uyumu … başarısız: …" 178–179
Laplace motoru + REML "yalnız ML kestirimi yapar" 181
Kestirim hata verdi "Model yakınsamadı: …" 192, 207

Eksik değer: üç sütundan herhangi biri eksik olan satır atılır (156). Laplace motorunun uyarıları toplanıp "Kestirim uyarıları:" satırında yazılır (208, 242).

24.3 Örnek veri

Dosya: _ornek/orange.csv: beş portakal ağacının yedi yaşta ölçülen gövde çevresi (Draper ve Smith, 1998; Pinheiro ve Bates, 2000). 35 satır, eksik değer yok, tasarım dengeli.

Değişken Rol Tür Özet
Tree Gruplama kategorik 5 düzey; arayüz sırası T1, T2, T3, T4, T5.
age Açıklayıcı sayısal Gün: 118, 484, 664, 1004, 1231, 1372, 1582.
circumference Yanıt sayısal Gövde çevresi (mm): 30–214.
Yaş (gün) 118 484 664 1004 1231 1372 1582
T1 30 58 87 115 120 142 145
T2 33 69 111 156 172 203 203
T3 30 51 75 108 115 139 140
T4 32 62 112 167 179 209 214
T5 30 49 81 125 142 174 177

Ağaçlar aynı noktadan (yaklaşık 30 mm) başlar ve zamanla açılır: farkın asimptotta toplandığı gözle görülür; rastgele etkinin yalnız Asym'e verilmesinin gerekçesi budur. Grup düzeylerinin sırası kestirimi etkilemez; yalnız grafikteki renk sırasını belirler.

Çalıştırmalar: (1) örnek ayar; (2) örnek ayar + sıkı toleranslar (tolerans = 1e-10, ic_tolerans = 1e-12, pnls_tol = 1e-9, pnls_yineleme = 200) + güven aralıkları tablosu; (3) aynı sıkı toleranslarla REML; (4) Laplace motoru (motor = nlmer) + güven aralıkları; (5) iki rastgele parametre (rastgele = Asym, xmid, genel kovaryans).

24.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (1) havuzlanmış doğrusal olmayan en küçük karelerle başlangıç değerleri; (2) seçilen motorla karma modelin kestirimi; (3) sabit etkiler tablosu (kestirim, SH, sd ya da z, p); (4) istenirse güven aralıkları; (5) varyans bileşenleri; (6) logLik, AIC, BIC; (7) gözlemler, birey eğrileri ve popülasyon eğrisi.

24.4.1 Başlangıç: havuzlanmış uyum

\boldsymbol\beta^{(0)}=\arg\min_{\boldsymbol\beta}\sum_{i}\sum_{j}\big(y_{ij}-f(x_{ij};\boldsymbol\beta)\big)^2
  • Gruplama yok sayılır; bütün gözlemlere tek eğri uydurulur (stats::nls; satır 178).
  • Model işlevleri (SSlogis, SSfpl, SSgompertz, SSasymp, SSmicmen) kendi başlangıç değerlerini veriden üretir; kullanıcı başlangıç değeri girmez.

Neden havuzlanmış uyum?

Karma modelin kestirimi yinelemelidir ve iyi bir başlangıca gereksinir. Bireyler aynı eğri ailesini izlediğinden, hepsine uydurulan tek eğri popülasyon parametrelerine yakındır. Bu adım başarısızsa (model veriye uymuyorsa) karma model de kurulamaz; şablon o durumda açık bir iletiyle durur.

24.4.2 nlme motoru: Lindstrom–Bates dönüşümlü algoritması

Rastgele etkiler modele doğrusal olmayan biçimde girdiğinde marjinal olabilirlik kapalı biçimli değildir. Lindstrom ve Bates (1990) iki adımı yakınsayana dek dönüşümlü uygular.

Cezalı doğrusal olmayan en küçük kareler (PNLS) adımı. Varyans parametreleri sabitken \boldsymbol\beta ve \mathbf b_i birlikte kestirilir:

(\hat{\boldsymbol\beta},\hat{\mathbf b})=\arg\min_{\boldsymbol\beta,\mathbf b}\ \sum_i\Big[\lVert\mathbf y_i-\mathbf f_i(\boldsymbol\beta,\mathbf b_i)\rVert^2+\sigma^2\,\mathbf b_i^{\top}\boldsymbol\Psi^{-1}\mathbf b_i\Big]

Doğrusal karma model (LME) adımı. Model, bulunan noktada birinci derece Taylor açılımıyla doğrusallaştırılır ve çalışma yanıtına doğrusal karma model uydurularak varyans parametreleri güncellenir:

\hat{\mathbf w}_i=\mathbf y_i-\mathbf f_i(\hat{\boldsymbol\beta},\hat{\mathbf b}_i)+\hat{\mathbf X}_i\hat{\boldsymbol\beta}+\hat{\mathbf Z}_i\hat{\mathbf b}_i,\qquad \hat{\mathbf w}_i\approx\hat{\mathbf X}_i\boldsymbol\beta+\hat{\mathbf Z}_i\mathbf b_i+\boldsymbol\varepsilon_i
  • \hat{\mathbf X}_i=\partial\mathbf f_i/\partial\boldsymbol\beta^{\top}, \hat{\mathbf Z}_i=\partial\mathbf f_i/\partial\mathbf b_i^{\top}: (\hat{\boldsymbol\beta},\hat{\mathbf b}_i) noktasındaki türev matrisleri.
  • Tek rastgele etkide ceza \lambda\sum_ib_i^2 biçimindedir; \lambda=\sigma^2/\sigma_b^2.
  • Örnek modelde \mathbf f_i=(\text{Asym}+b_i)\,\mathbf g_i, \mathbf g_i=\big[1+e^{(\text{xmid}-x_{ij})/\text{scal}}\big]^{-1}: \hat{\mathbf Z}_i=\mathbf g_i ve \hat{\mathbf X}_i=\big[\mathbf g_i,\ (\text{Asym}+\hat b_i)\,\partial\mathbf g_i/\partial\text{xmid},\ (\text{Asym}+\hat b_i)\,\partial\mathbf g_i/\partial\text{scal}\big].

LME adımında \lambda için profil log-olabilirlik en büyük yapılır:

\ell(\lambda)=-\frac N2\ln\big(2\pi\hat\sigma^2(\lambda)\big)-\frac12\sum_i\ln\lvert\mathbf V_i(\lambda)\rvert-\frac N2,\qquad \mathbf V_i=\mathbf I+\frac{\hat{\mathbf Z}_i\hat{\mathbf Z}_i^{\top}}{\lambda},\quad \hat\sigma^2=\frac1N\sum_i\hat{\mathbf r}_i^{\top}\mathbf V_i^{-1}\hat{\mathbf r}_i
  • \hat{\mathbf r}_i=\hat{\mathbf w}_i-\hat{\mathbf X}_i\hat{\boldsymbol\beta}_{\text{GEKK}}(\lambda): genelleştirilmiş en küçük kareler artığı; N: toplam gözlem sayısı.
  • Yakınsamada bildirilen logLik, bu doğrusallaştırılmış modelin log-olabilirliğidir.

Neden doğrusallaştırma ve bunun bedeli ne?

Doğrusal karma modelin olabilirliği kapalı biçimlidir; doğrusallaştırma, doğrusal olmayan sorunu bir dizi doğrusal soruna çevirir ve hızlıdır. Bedeli: PNLS adımı \boldsymbol\beta'yı cezalı artık kareler toplamından kestirir ve olabilirlikteki \ln\lvert\mathbf V_i\rvert teriminin \boldsymbol\beta'ya bağlılığını hesaba katmaz. Bu yüzden algoritmanın sabit noktası marjinal olabilirliğin tam en büyüğü değildir. Örnek veride sabit noktadaki kesin log-olabilirlik −131,5846, tam en büyük −131,5719'dur; Asym %0,5, xmid %0,7, scal %1,1 farklıdır (24.6).

Koddaki tercih

nlme(model, fixed = Asym + xmid + scal ~ 1, random = list(g = pdDiag(Asym ~ 1)), start = …, method = …, control = nlmeControl(…)) (satır 187–191). Rastgele etki yapısı köşegen (pdDiag) ya da genel (pdSymm) seçilir. Şablonun denetim değerlerinden dördü paket varsayılanından farklıdır: dış yineleme sınırı 200 (pakette 50), optimizasyon yinelemesi 10 000 (pakette 50), PNLS yinelemesi 20 (pakette 7), optimizasyon toleransı 10^{-7} (pakette 10^{-6}). Yakınsama toleransı (10^{-5}) ve PNLS toleransı (10^{-3}) paket varsayılanıdır.

24.4.3 Standart hata, serbestlik derecesi, t ve p

\widehat{\operatorname{Var}}(\hat{\boldsymbol\beta})=\hat\sigma^2\Big(\sum_i\hat{\mathbf X}_i^{\top}\mathbf V_i^{-1}\hat{\mathbf X}_i\Big)^{-1},\qquad \operatorname{SH}_j=\sqrt{\frac{N}{N-p}\,\widehat{\operatorname{Var}}(\hat\beta_j)}\ \ (\text{ML}),\qquad t_j=\frac{\hat\beta_j}{\operatorname{SH}_j},\quad \nu=N-M-(p-1)
  • p: sabit etki sayısı; M: grup sayısı. Örnek veride \nu=35-5-2=28.
  • \sqrt{N/(N-p)}: ML'de artık standart sapmayı serbestlik derecesine göre düzelten çarpan; yalnız sabit etkiler tablosundaki SH'ye uygulanır (nlme'nin summary yöntemi). REML'de çarpan yoktur.
  • p_j=2\,P(T_\nu>\lvert t_j\rvert).

Neden N/(N − p) düzeltmesi?

ML, \sigma^2'yi N'ye bölerek kestirir ve p parametrenin kestirilmesinin tükettiği bilgiyi saymaz; standart hatalar bu yüzden küçük çıkar. Çarpan, \sigma^2'yi N-p bölenli kestirime çevirir. Örnek veride \sqrt{35/32}=1{,}0458: Asym'in SH'si 15,446'dan 16,154'e çıkar.

Güven aralıkları neden sabit etkiler tablosundaki standart hatayla kurulur?

"Sabit etki güven aralıkları tablosu" sabit etkiler tablosundaki kestirim, SH ve serbestlik derecesinden kurulur (satır 220–222): \hat\beta_j\pm t_{1-\alpha/2,\nu}\operatorname{SH}(\hat\beta_j). Böylece aynı çıktıda p değeri ile aralık aynı standart hataya dayanır: aralık sıfırı dışlıyorsa p<\alpha'dır. ML ile kestirilen modelde bu SH, \sqrt{N/(N-p)} ile çarpılmış olandır; şablon tablonun altına çarpanı yazan bir not ekler: "ML'de sabit etkiler tablosundaki SH √(N/(N − p)) = 1,04583 ile çarpılmıştır (nlme özet tanımı); güven aralıkları bu SH ile kurulur. Çarpansız SH = SH / çarpan." (satır 225–228). Örnek veride Asym için 191{,}05\pm2{,}0484\cdot16{,}154=[157{,}96;\ 224{,}14]. nlme paketinin intervals yöntemi ML'de çarpansız standart hatayı kullanır ve aynı model için [159,41; 222,69] verir; başka bir yazılımın ML aralığıyla karşılaştırma yapılacaksa nottaki çarpanla çarpansız SH elde edilir. REML'de çarpan yoktur ve iki hesap aynıdır.

24.4.4 REML seçeneği

nlme motorunda "REML" seçildiğinde, bu bölümde denenen bütün tek rastgele etkili modellerde (lojistik, Gompertz, Michaelis–Menten) sabit etkiler ML sonucuyla aynı kalır; varyans bileşenleri ML kestirimlerinin N/(N-p) katıdır (şablon REML seçildiğinde çıktıya bunu söyleyen bir not ekler, satır 230–232; aynı açıklama formda "Kestirim yöntemi" alanının altında da yer alır):

\hat\sigma^2_{\text{REML}}=\frac{N}{N-p}\,\hat\sigma^2_{\text{ML}},\qquad \hat\sigma^2_{b,\text{REML}}=\frac{N}{N-p}\,\hat\sigma^2_{b,\text{ML}}
  • Oran \lambda=\sigma^2/\sigma_b^2 ML ile aynıdır; yalnız ölçek değişir. Sabit etkilerin SH'leri de ML tablosundaki (düzeltilmiş) SH'lerle aynıdır.
  • Bildirilen logLik, kısıtlı olabilirlik ölçütünün bu noktadaki değeridir: \ell_R=-\tfrac{N-p}{2}\ln(2\pi\hat\sigma^2_{\text{REML}})-\tfrac12\sum_i\ln\lvert\mathbf V_i\rvert-\tfrac12\ln\big\lvert\sum_i\hat{\mathbf X}_i^{\top}\mathbf V_i^{-1}\hat{\mathbf X}_i\big\rvert-\tfrac{N-p}{2}.
  • BIC'de örneklem büyüklüğü N-p alınır.

Bu, doğrusallaştırılmış modelin REML eniyisi değildir

Doğrusallaştırılmış modelde kısıtlı olabilirlik \lambda'ya göre ayrıca en büyük yapılır ve dönüşümlü algoritma onunla yinelenirse farklı bir sabit noktaya ulaşılır: örnek veride \lambda=0{,}0529 (ML'de 0,0621), Asym 191,19, \sigma_b^2=1245{,}6, \sigma^2=65{,}94. Şablonun REML çıktısı ise Asym 191,05, \sigma_b^2=1084{,}1, \sigma^2=67{,}34'tür. İki tanım arasındaki fark en çok rastgele etki varyansında görülür. Doğrusal olmayan karma modelde REML'in kendisi bir yaklaşıklıktır (Pinheiro ve Bates, 2000); model karşılaştırması ve raporlama için ML önerilir.

24.4.5 Laplace motoru (nlmer)

motor = nlmer seçilirse marjinal olabilirlik Laplace yaklaşımıyla hesaplanır ve doğrudan en büyük yapılır:

L(\boldsymbol\beta,\boldsymbol\Psi,\sigma^2)=\prod_i\int\phi\big(\mathbf y_i;\ \mathbf f_i(\boldsymbol\beta,\mathbf b),\ \sigma^2\mathbf I\big)\,\phi(\mathbf b;\ \mathbf 0,\boldsymbol\Psi)\,d\mathbf b
  • İntegrand, \mathbf b'ye göre en büyüğü çevresinde ikinci derece açılımla (normal yoğunlukla) yaklaşık hesaplanır (Wolfinger, 1993; Pinheiro ve Bates, 1995).
  • Rastgele etki modele doğrusal giriyorsa (örnek ayarda olduğu gibi: (\text{Asym}+b_i)\,g) integrand zaten normaldir ve Laplace yaklaşımı kesindir: \mathbf y_i\sim N\big(\text{Asym}\,\mathbf g_i,\ \sigma^2\mathbf I+\sigma_b^2\,\mathbf g_i\mathbf g_i^{\top}\big).
  • Standart hatalar \hat\sigma^2\big(\sum_i\hat{\mathbf X}_i^{\top}\mathbf V_i^{-1}\hat{\mathbf X}_i\big)^{-1}'den, düzeltme çarpanı olmadan; test istatistiği z=\hat\beta/\operatorname{SH}, p standart normalden (satır 212); güven aralığı \hat\beta\pm z_{1-\alpha/2}\operatorname{SH} (220).

Koddaki tercih

nlmer(y ~ SSlogis(x, Asym, xmid, scal) ~ (Asym | g), start = …, control = nlmerControl(optCtrl = list(maxfun, FtolAbs, FtolRel))) (satır 202–206). Birden çok rastgele parametrede köşegen yapı ayrı terimlerle ((Asym | g) + (xmid | g)), genel yapı tek terimle ((Asym + xmid | g)) kurulur. Eniyileme Nelder–Mead'dir; "Optimizasyon algoritması", "En çok dış yineleme", "Başlangıç EM yinelemesi" ve PNLS alanları bu motorda kullanılmaz.

24.4.6 Uyum ölçüleri

\mathrm{AIC}=-2\ell+2k,\qquad \mathrm{BIC}=-2\ell+k\ln N^{*}
  • k: sabit etkiler + kovaryans parametreleri + 1 (örnek ayarda 3+1+1=5).
  • N^{*}=N (ML); nlme motorunda REML seçilmişse N-p.

24.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–148 Üstbilgi: açıklama, örnek veri ve ayar, 18 parametre. Form ve varsayılanlar (Bölüm 1.2).
149–164 Paket; denetimler; d veri çerçevesi (y, x, g); gruba ve x'e göre sıralama. Yanıt ve açıklayıcı mq_sayisal ile, Veri sekmesindeki türünden bağımsız olarak değerleriyle okunur; sayı olmayan değer çalıştırmayı durdurur (155).
166–177 Model tanımı; rastgele parametre listesinin ayrıştırılması ve denetimi. Adlar büyük-küçük harfe duyarlıdır; boş liste = ilk parametre.
178–181 Havuzlanmış nls ile başlangıç; motor ve yöntem uyumu. Başlangıç başarısızsa hata.
183–199 nlme motoru: formüller, nlme çağrısı, özet, sabit etkiler tablosu, varyanslar. do.call formülleri değer olarak saklar; predict yeniden değerlendirebilir (186).
200–217 Laplace motoru: üç parçalı formül, nlmer, özet, z ve p, varyanslar. Uyarılar toplanır (208).
218–235 Sabit etkiler tablosu; güven aralıkları (kestirim ± çeyrek × tablodaki SH; 220–224) ve ML'de SH'nin çarpanını söyleyen not (225–228); REML notu (230–232); varyans bileşenleri tablosu. Genel kovaryans seçilse de tabloya yalnız varyanslar yazılır; korelasyon metin çıktısındadır.
236–242 Model uyumu tablosu (n, grup sayısı, logLik, AIC, BIC, yöntem). Değerler altı ondalığa yuvarlanmış metindir.
244–261 Grafik: gözlemler, birey eğrileri, popülasyon eğrisi. Laplace motorunda birey eğrileri yalnız gözlem noktalarını birleştirir (255–256).

24.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/nlme_karma/elle_hesap.py ile hesaplanmıştır. Betik R'yi, nlme'yi ve lme4'ü kullanmaz: Lindstrom–Bates sabit noktasını, kendi Gauss–Newton adımıyla cezalı en küçük kareler ile doğrusallaştırılmış modelde profil olabilirliğin tek değişkenli eniyilemesini dönüşümlü uygulayarak bulur; Laplace motoru için kesin marjinal olabilirliği doğrudan en büyük yapar. R tarafında (r_dogrulama.R) aynı sabit nokta, doğrusal adım nlme::lme ile çözülerek; kesin olabilirlik optim ve nlminb ile bulunmuştur. nlme() ve nlmer() çağrılmamıştır.

Adım 1 — Havuzlanmış başlangıç. \boldsymbol\beta^{(0)}=(\text{Asym};\ \text{xmid};\ \text{scal})=(192{,}6876;\ 728{,}7564;\ 353{,}5337).

Adım 2 — Dönüşümlü yinelemeler. \lambda=1 ile başlanır; her satır bir PNLS + LME çiftidir:

Yineleme Asym xmid scal \lambda
1 184,860760 688,615991 319,621847 0,06330102
2 191,031631 722,462364 344,095413 0,06211310
3 191,049004 722,555997 344,162394 0,06211332
4 191,049001 722,555980 344,162382 0,06211332

Adım 3 — Rastgele etkiler ve varyanslar. Sabit noktada \hat b=(-29{,}404;\ 31{,}565;\ -37{,}000;\ 40{,}018;\ -5{,}179) (T1–T5); \hat\lambda=0{,}0621133.

\hat\sigma^2=61{,}563709\ (\hat\sigma=7{,}846254),\qquad \hat\sigma_b^2=\frac{61{,}563709}{0{,}0621133}=991{,}151486\ (\hat\sigma_b=31{,}482558)

Adım 4 — Standart hatalar ve t. \sqrt{\operatorname{diag}\widehat{\operatorname{Var}}(\hat{\boldsymbol\beta})}=(15{,}446207;\ 33{,}610615;\ 25{,}957868); ML çarpanı \sqrt{35/32}=1{,}045825:

\operatorname{SH}=(16{,}154030;\ 35{,}150823;\ 27{,}147388),\qquad t=(11{,}8267;\ 20{,}5559;\ 12{,}6776),\quad \nu=28

Adım 5 — Uyum. \ell=-131{,}584579; \mathrm{AIC}=263{,}169158+10=273{,}169158; \mathrm{BIC}=263{,}169158+5\ln35=280{,}945899.

Adım 6 — Güven aralığı. t_{0{,}975;\,28}=2{,}048407. Tablodaki SH ile Asym: 191{,}049001\pm2{,}048407\cdot16{,}154030=[157{,}958973;\ 224{,}139029] (çarpansız SH 15,446207 ile aralık [159,408881; 222,689121] olurdu).

Adım 7 — REML seçeneği. N/(N-p)=35/32=1{,}09375: \hat\sigma^2=61{,}563709\cdot1{,}09375=67{,}335307, \hat\sigma_b^2=991{,}151486\cdot1{,}09375=1084{,}071937; sabit etkiler ve SH'ler Adım 2 ve 4'teki değerlerdir. Kısıtlı ölçüt bu noktada \ell_R=-119{,}757453; \mathrm{BIC}=239{,}514905+5\ln32=256{,}843585.

Adım 8 — Kesin marjinal olabilirlik (Laplace motorunun başvurusu). \mathbf y_i\sim N(\text{Asym}\,\mathbf g_i,\ \sigma^2\mathbf I+\sigma_b^2\mathbf g_i\mathbf g_i^{\top}) olabilirliği beş parametreye göre doğrudan en büyük yapılır:

Asym xmid scal \sigma_b^2 \sigma^2 \ell
Kesin en büyük (bağımsız) 192,053149 727,906328 348,073047 1001,488392 61,512836 −131,571885
Şablon, Laplace motoru 192,052792 727,904473 348,072134 1001,489802 61,512791 −131,571877
Şablon, nlme motoru (ML, sıkı) 191,049001 722,555980 344,162382 991,151450 61,563710 −131,584579

Lindstrom–Bates sabit noktasında kesin log-olabilirlik de -131{,}584579'dur (rastgele etki doğrusal girdiği için doğrusallaştırılmış ve kesin olabilirlik o noktada çakışır); tam en büyüğün 0,0127 altındadır. Yani nlme motorunun bu modeldeki farkı, olabilirliğin yaklaşık hesaplanmasından değil, sabit etkilerin cezalı en küçük karelerle kestirilmesinden gelir.

24.6.1 Doğrulama: MerQuR+, Python ve R

MerQuR+ sütunu şablonun tablolarından alınmıştır (çalıştırmalar 1–4). nlme motorunun varyans bileşenleri tabloya sekiz anlamlı basamakla, uyum ölçüleri altı ondalıkla yazılır.

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
nlme ML (sıkı): Asym 191,04900087 191,04900086 191,04900082 2,7e−10 ✓
nlme ML (sıkı): xmid 722,55597988 722,55597988 722,55597977 1,5e−10 ✓
nlme ML (sıkı): scal 344,16238205 344,16238195 344,16238165 1,2e−9 ✓
nlme ML (sıkı): SH(Asym) 16,15402941 16,15402966 16,15402956 1,5e−8 ✓
nlme ML (sıkı): SH(xmid) 35,15082315 35,15082303 35,15082301 4,0e−9 ✓
nlme ML (sıkı): SH(scal) 27,1473879 27,14738781 27,14738781 3,5e−9 ✓
nlme ML (sıkı): sd 28 28 — 0 ✓
nlme ML (sıkı): t(Asym) 11,82670874 11,82670856 11,82670863 1,5e−8 ✓
nlme ML (sıkı): p(scal) 4,032937·10−13 4,032936·10−13 — 3,1e−20 ✓
nlme ML (sıkı): \sigma_b^2 991,15145 991,15148563 991,15147 3,6e−8 ✓
nlme ML (sıkı): \sigma^2 61,56371 61,56370908 61,56370923 1,5e−8 ✓
nlme ML (sıkı): logLik −131,584579 −131,58457911 −131,58457911 8,2e−10 ✓
nlme ML (sıkı): AIC 273,169158 273,16915821 273,16915822 7,9e−10 ✓
nlme ML (sıkı): BIC 280,945899 280,94589852 280,94589852 1,7e−9 ✓
nlme ML (sıkı): Asym %95 GA alt 157,95897165 157,95897114 — 3,3e−9 ✓
nlme ML (sıkı): Asym %95 GA üst 224,13903008 224,13903058 — 2,2e−9 ✓
nlme ML (sıkı): scal %95 GA alt 288,55347879 288,55347888 — 3,3e−10 ✓
nlme ML (örnek ayar): Asym 191,04993173 191,04900086 191,04900082 4,9e−6 ✗
nlme ML (örnek ayar): xmid 722,55897573 722,55597988 722,55597977 4,1e−6 ✗
nlme ML (örnek ayar): scal 344,1680981 344,16238195 344,16238165 1,7e−5 ✗
nlme ML (örnek ayar): \sigma_b^2 991,15123 991,15148563 991,15147 2,6e−7 ✓
nlme ML (örnek ayar): \sigma^2 61,56371 61,56370908 61,56370923 1,5e−8 ✓
nlme ML (örnek ayar): logLik −131,584556 −131,58457911 −131,58457911 1,8e−7 ✓
nlme ML (örnek ayar): AIC 273,169112 273,16915821 273,16915822 1,7e−7 ✓
nlme REML: Asym 191,04900087 191,04900086 191,04900082 2,7e−10 ✓
nlme REML: SH(Asym) 16,15402941 16,15402966 16,15402956 1,5e−8 ✓
nlme REML: \sigma_b^2 1084,0719 1084,07193741 1084,07192031 3,5e−8 ✓
nlme REML: \sigma^2 67,33531 67,33530681 67,33530698 4,7e−8 ✓
nlme REML: logLik −119,757453 −119,75745274 — 2,2e−9 ✓
nlme REML: BIC 256,843585 256,84358499 — 4,0e−11 ✓
nlme REML: Asym %95 GA alt 157,95897165 157,95897114 — 3,3e−9 ✓
nlmer: Asym 192,05279189 192,05314909 192,05315104 1,9e−6 ✗
nlmer: xmid 727,90447334 727,90632819 727,90632853 2,5e−6 ✗
nlmer: scal 348,07213398 348,07304691 348,07304673 2,6e−6 ✗
nlmer: SH(Asym) 15,58385079 15,58386276 15,58386267 7,7e−7 ✓
nlmer: SH(xmid) 34,43847495 34,43870007 34,43870075 6,6e−6 ✗
nlmer: SH(scal) 26,30812135 26,30820347 26,30820398 3,1e−6 ✗
nlmer: \sigma_b^2 1001,4898015 1001,48839223 1001,48836923 1,4e−6 ✗
nlmer: \sigma^2 61,51279074 61,51283582 61,51283839 7,7e−7 ✓
nlmer: logLik −131,571877 −131,5718851 −131,5718851 6,2e−8 ✓
nlmer: AIC 273,143755 273,1437702 — 5,6e−8 ✓

Ölçütü karşılayan: 32/41. Python: Lindstrom–Bates sabit noktası (kendi Gauss–Newton adımıyla cezalı en küçük kareler ↔ doğrusallaştırılmış modelde profil olabilirliğin tek değişkenli eniyilemesi) ve kesin marjinal olabilirliğin doğrudan eniyilemesi. R: aynı sabit nokta, doğrusal adım nlme::lme ile; kesin olabilirlik optim + nlminb ile. nlme() ve nlmer() çağrılmamıştır. ✗ satırlarının gerekçesi metindedir.

✗ satırlarının iki kaynağı vardır. (1) Örnek ayar, nlme motoru: varsayılan yakınsama toleransı 10^{-5}'tir; algoritma sabit noktaya beş–altı anlamlı basamak kala durur (en büyük göreli fark 1{,}7\cdot10^{-5}). Toleranslar sıkılaştırıldığında ("sıkı" satırları) aynı büyüklükler 10^{-8} içinde örtüşür. (2) Laplace motoru: kestirimler kesin en büyükten en çok 6{,}6\cdot10^{-6} göreli farkla ayrılır; log-olabilirlikler 6\cdot10^{-8} içinde aynıdır. Olabilirlik en büyüğün çevresinde çok yassıdır (bu iki nokta arasında kesin log-olabilirlik 1{,}5\cdot10^{-9} değişir) ve formdaki toleransları sıkılaştırmak Laplace motorunun sonucunu değiştirmez. İki durumda da fark dördüncü–beşinci anlamlı basamaktan sonradır ve yorumu etkilemez.

24.7 Çıktıyı okuma

Örnek ayarın metin çıktısı (nlme'nin kendi özeti; kısaltılmış):

Nonlinear mixed-effects model fit by maximum likelihood
  Model: y ~ SSlogis(x, Asym, xmid, scal) 
  Data: d 
       AIC      BIC    logLik
  273.1691 280.9459 -131.5846

Random effects:
 Formula: Asym ~ 1 | g
            Asym Residual
StdDev: 31.48255 7.846255

Fixed effects:  Asym + xmid + scal ~ 1 
        Value Std.Error DF  t-value p-value
Asym 191.0499  16.15411 28 11.82671       0
xmid 722.5590  35.15195 28 20.55530       0
scal 344.1681  27.14801 28 12.67747       0
 Correlation: 
     Asym  xmid 
xmid 0.375      
scal 0.354 0.755

"Sabit etkiler (popülasyon parametreleri)" tablosu:

parametre kestirim SH sd t p
Asym 191,0499 16,1541 28 11,8267 2{,}10\cdot10^{-12}
xmid 722,5590 35,1520 28 20,5553 1{,}98\cdot10^{-18}
scal 344,1681 27,1480 28 12,6775 4{,}03\cdot10^{-13}

"Varyans bileşenleri" tablosu: Asym (Tree): varyans 991,1512, SS 31,4826; Artık: varyans 61,5637, SS 7,8463. "Model uyumu" tablosu: n 35; grup sayısı 5; logLik −131,584556; AIC 273,169112; BIC 280,945852; yöntem ML (nlme).

Pinheiro ve Bates'in (2000) aynı model için verdiği değerler: Asym 191,05; xmid 722,56; scal 344,17; rastgele etki standart sapması 31,48; artık standart sapma 7,846; logLik −131,58.

Öğe Ne yazar Nasıl yorumlanır
Asym Tipik ağacın (rastgele etkisi sıfır) ulaşacağı gövde çevresi 191 mm; ağaçtan ağaca standart sapması 31,5 mm.
xmid Çevrenin asimptotun yarısına ulaştığı yaş 723 gün; büyümenin en hızlı olduğu an.
scal Eğrinin yayvanlığı (gün) Asimptotun yaklaşık %27'sinden %73'üne geçiş 2\,\text{scal} sürer.
SH, sd, t, p Yaklaşık (doğrusallaştırmaya dayalı) çıkarım H_0:\beta=0 bu parametrelerde anlamlı bir soru değildir; SH ve GA okunur.
Güven aralıkları tablosu Kestirim ± t × SH (Laplace motorunda normal çeyrek) Sabit etkiler tablosundaki SH'ye dayanır; p ile tutarlıdır (24.4.3).
Varyans bileşenleri Her rastgele parametrenin varyansı ve SS'si; artık Rastgele etki SS'si parametreyle aynı birimdedir.
logLik, AIC, BIC Doğrusallaştırılmış (nlme) ya da Laplace (nlmer) log-olabilirliği Aynı motor ve aynı yöntemle uydurulan modeller arasında karşılaştırılır.
"Kestirim uyarıları:" Laplace motorunun uyarıları Yakınsama ya da tekillik uyarısı varsa model sadeleştirilir.

Şekil 24.1. Şablonun grafiği (örnek veri): gözlemler (ağaca göre renkli), her ağacın kestirilen eğrisi (ince) ve popülasyon eğrisi (kalın, mor). Ağaç eğrileri yalnız asimptotta ayrışır; xmid ve scal ortaktır.

Rapor cümlesi:

Gövde çevresinin yaşa göre değişimi, asimptotu ağaçlar arasında rastgele değişen üç parametreli lojistik karma modelle kestirildi (en çok olabilirlik, Lindstrom–Bates algoritması; 5 ağaç, 35 gözlem). Tipik asimptot 191,0 mm (SH 16,2), yarı yüksekliğe ulaşma yaşı 722,6 gün (SH 35,2), ölçek 344,2 gün (SH 27,1) bulundu. Asimptotun ağaçlar arası standart sapması 31,5 mm, artık standart sapma 7,8 mm idi (logLik = −131,58; AIC = 273,17).

24.8 Sık hatalar ve tuzaklar

  • İki motorun sonuçlarını aynı tabloya koymak. nlme motoru ile Laplace motoru aynı veride farklı kestirim verir (Asym 191,05 ve 192,05; xmid 722,56 ve 727,90). Fark yöntemin tanımından gelir; model karşılaştırması aynı motorla yapılır ve raporda motor belirtilir.
  • ML aralığını başka bir yazılımın ML aralığıyla doğrudan karşılaştırmak. Şablonun aralığı \sqrt{N/(N-p)} ile düzeltilmiş SH'ye dayanır; çarpansız SH kullanan bir çıktının aralığı %4,4 dardır (\sqrt{32/35}). Çarpan tablonun altındaki notta yazılıdır.
  • REML'i ML'den bağımsız bir kestirim sanmak. nlme motorunda REML sabit etkileri değiştirmez; varyans bileşenlerini N/(N-p) ile ölçekler (24.4.4). İki yöntemin log-olabilirlikleri ve AIC'leri birbiriyle karşılaştırılmaz.
  • Az sayıda grupla çok rastgele parametre. Beş ağaçla iki rastgele parametre ve korelasyonları kestirilebilir (çalıştırma 5: Asym SS 34,35; xmid SS 38,34; korelasyon 0,771; logLik −130,90), ama AIC 273,17'den 275,80'e yükselir: ek iki parametre uyumu yeterince iyileştirmez. Yakınsama sorunu ya da sıfıra yapışan varyans, modelin veriye göre zengin olduğunu gösterir.
  • Veriye uymayan eğri seçmek. Dört parametreli lojistik ve asimptotik üstel bu veride kurulamaz; çalıştırma "Model yakınsamadı: …" iletisiyle durur. Veri S biçimlidir: asimptotik üstel eğrinin büküm noktası yoktur, dört parametreli lojistiğin alt asimptotu ise gözlem aralığından belirlenemez. Model, verinin biçimine göre seçilir.
  • Rastgele parametre adını yanlış yazmak. Adlar modelin parametre adlarıyla birebir aynı olmalıdır (Asym, xmid, scal; asym kabul edilmez). İleti geçerli adları listeler.
  • Popülasyon eğrisini ortalama eğri sanmak. Kalın eğri, rastgele etkisi sıfır olan tipik bireyin eğrisidir. Rastgele etki doğrusal olmayan biçimde giriyorsa (ör. xmid'de) birey eğrilerinin ortalaması bu eğriyle çakışmaz.
  • Varsayılan toleransla altıncı basamağı okumak. Örnek ayarda kestirimler sabit noktaya göre beşinci anlamlı basamakta oynar. Başka bir yazılımla basamak basamak karşılaştırma yapılacaksa Gelişmiş sekmesindeki toleranslar küçültülür.
  • Laplace motorunda p değerlerini nlme'ninkilerle karşılaştırmak. Laplace motoru z (normal), nlme motoru t_\nu kullanır; beş grupla normal yaklaşım iyimserdir.

24.9 Uzman soruları

S1. nlme motoru neden marjinal olabilirliğin tam en büyüğünü vermiyor?

Dönüşümlü algoritma sabit etkileri PNLS adımında, cezalı artık kareler toplamını en küçük yaparak kestirir. Marjinal olabilirlikte ise \boldsymbol\beta hem artıklara hem \ln\lvert\mathbf V_i(\boldsymbol\beta)\rvert terimine girer; PNLS ikincisini görmez. Örnek modelde bu açıkça ölçülebilir, çünkü marjinal olabilirlik kapalı biçimlidir: tam en büyük -131{,}571885, algoritmanın sabit noktasında -131{,}584579. Fark küçüktür ama sıfır değildir; birey başına gözlem sayısı arttıkça azalır (Pinheiro ve Bates, 1995).

S2. Laplace yaklaşımı bu modelde gerçekten kesin mi?

Evet. Rastgele etki yalnız Asym'e eklendiğinden yanıt b_i'ye göre doğrusaldır; \mathbf y_i ile b_i'nin ortak dağılımı normaldir ve b_i üzerinden integral kapalı biçimlidir. Laplace yaklaşımı normal integranda uygulandığında hata içermez. Rastgele etki xmid ya da scal'e verilirse integrand normal değildir; Laplace bir yaklaşıklık olur ve uyarlamalı kareleme ile küçük farklar görülebilir.

S3. Serbestlik derecesi neden 28?

nlme, sabit etkinin hangi düzeyde değiştiğine göre "içerme" kuralını uygular: bu modelde üç parametre de birey içi düzeyde kestirilir ve \nu=N-M-(p-1)=35-5-2=28 olur. Michaelis–Menten modelinde (p=2) aynı kural 29 verir. Bu, Satterthwaite ya da Kenward–Roger gibi veriden kestirilen bir serbestlik derecesi değildir; beş gruplu bir veride asimptotun belirsizliğini iyimser gösterebilir, çünkü asimptot hakkındaki bilgi esas olarak ağaç sayısından gelir.

S4. Rastgele etki hangi parametrelere verilmeli?

Bireylerin gözle ayrıştığı parametrelere. Bu veride ağaçlar aynı yerden başlayıp farklı düzeylere ulaşır: fark asimptottadır. Her parametreye rastgele etki verip köşegen yapıyla başlamak, sıfıra yakın çıkan varyansları eleyip gerekirse korelasyon eklemek yaygın bir yoldur (Pinheiro ve Bates, 2000). İç içe modeller aynı motorda ML ile uydurulup olabilirlik oranı ya da AIC ile karşılaştırılır; varyansın sıfır olduğu yokluk hipotezi parametre uzayının sınırında olduğundan olabilirlik oranı testinin p'si tutucudur.

S5. Standart hatalar hangi yaklaşıklığa dayanıyor?

Doğrusallaştırılmış modelin genelleştirilmiş en küçük kareler kovaryansına: \hat\sigma^2(\sum_i\hat{\mathbf X}_i^{\top}\mathbf V_i^{-1}\hat{\mathbf X}_i)^{-1}. Varyans parametrelerinin kestirilmiş olmasının belirsizliği bu kovaryansa girmez. Kesin olabilirliğin sayısal Hessian'ından hesaplanan standart hatalar örnek veride 15,66; 35,25; 27,08'dir; Laplace motorunun bildirdiği 15,58; 34,44; 26,31'den %0,5–3 büyüktür.

S6. nlme'nin REML'i neden ML ile aynı sabit etkileri veriyor?

Doğrusal karma modelde REML, sabit etkileri olabilirlikten integre eder ve varyans oranını değiştirir; sabit etkiler de buna bağlı olarak değişir. nlme'nin doğrusal olmayan modeldeki çıktısı ise ML'nin varyans oranını korur ve ölçeği N/(N-p) ile düzeltir: örnek veride \sigma^2/\sigma_b^2 iki yöntemde de 0,0621133'tür. Doğrusallaştırılmış modelin kısıtlı olabilirliği ayrıca en büyük yapılsaydı oran 0,0529 olurdu (24.4.4). Bu ayrım bağımsız hesapta hem Python hem R (lme ile) tarafında gösterilmiştir.

S7. Artıkların varyansı yaşla artıyorsa ya da ardışık ölçümler ilişkiliyse?

Şablon artıkları bağımsız ve sabit varyanslı varsayar. nlme paketi varyans işlevlerini (weights = varPower()) ve korelasyon yapılarını (correlation = corAR1()) destekler, ama şablon bu seçenekleri forma taşımaz; gerekiyorsa kod düzenlenerek nlme çağrısına eklenir. Büyüme verisinde artıkların kestirilen değere göre yayılımı ve bireye göre artık sıra grafiği denetlenmelidir.

S8. Beş ağaçla rastgele etki varyansı ne kadar güvenilir?

Az. \sigma_b^2, beş \hat b_i'nin yayılımından kestirilir; dört serbestlik dereceli bir varyans kestiriminin %95 güven aralığı, kestirimin yaklaşık 0,36 ile 8,3 katı arasındadır. ML ayrıca varyansı aşağı yanlı kestirir: REML ölçeği (\times35/32) bu yanlılığın yalnız sabit etki sayısından gelen kısmını düzeltir. Şablon varyans bileşenleri için güven aralığı vermez.

24.10 Kaynaklar

  • Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
  • Davidian, M., & Giltinan, D. M. (2003). Nonlinear models for repeated measurement data: An overview and update. Journal of Agricultural, Biological, and Environmental Statistics, 8(4), 387–419. https://doi.org/10.1198/1085711032697
  • Draper, N. R., & Smith, H. (1998). Applied regression analysis (3. baskı). Wiley. https://doi.org/10.1002/9781118625590
  • Lindstrom, M. J., & Bates, D. M. (1990). Nonlinear mixed effects models for repeated measures data. Biometrics, 46(3), 673–687. https://doi.org/10.2307/2532087
  • Pinheiro, J. C., & Bates, D. M. (1995). Approximations to the log-likelihood function in the nonlinear mixed-effects model. Journal of Computational and Graphical Statistics, 4(1), 12–35. https://doi.org/10.1080/10618600.1995.10474663
  • Pinheiro, J. C., & Bates, D. M. (2000). Mixed-effects models in S and S-PLUS. Springer. https://doi.org/10.1007/b98882
  • Pinheiro, J., Bates, D., & R Core Team. (2025). nlme: Linear and nonlinear mixed effects models (R paketi, sürüm 3.1-168). https://doi.org/10.32614/CRAN.package.nlme
  • Wolfinger, R. (1993). Laplace's approximation for nonlinear mixed models. Biometrika, 80(4), 791–795. https://doi.org/10.1093/biomet/80.4.791