吴喜之R软件教程多层数据.pptxVIP

多层数据/纵向数据/面板数据分析;多层模型（Hierachical Model）也称为纵向数据（longitudinal data）模型，面板数据（panel data）模型，多水平统计模型（multilevel statistical model），混合模型（mixed model）等等。这些名字反映了该模型的应用、数据形式、模型的构造等不同方面。多层模型中的不可观测的变量，也称为隐变量（latent variable）；隐变量是相对于可观测的显变量（manifest variable）而言的；因此，多层模型亦称为隐变量模型（latent variable model）。这些名字的命名者可能并不认为这些名字是完全的同义词；这些模型研究者有不同的兴趣和着重点，他们解决问题的工具和方法也不尽相同，而应用这些模型所研究的对象和特点的差异也很大。;但有一点是肯定的，即多层模型在各个领域中有着非常广泛的应用。多层模型的思想并不复杂，但对它的研究由于无法实施计算而没有深入进行。它之所以在最近一二十年才倍受关注，主要是因为计算机和统计计算方法的发展，使得这些模型能够被实际用于统计推断；而与之相辅相成的是，由于能够进行计算，实际领域中对复杂的多层模型的应用也不断增加，反过来也推动了多层模型及其计算的发展。;多层模型不是一个新的东西，我们所熟知的通常的最小二乘回归模型（ordinary least squares regression model）以及更广泛的广义线性模型（generalized linear model）、重复测量（repeated measures）、空间数据（spatial data）等都是多层模型的特例或研究对象。;先举一个较简单的两水平线性混合模型的例子(Burchinal et al., 1997)。假定在一个试验中，对一些儿童在两种条件（Ii=1或0）下认知能力进行考察。令Yij代表第i个儿童在其发展的第j个时间Tij时测量的认知能力。考虑下面的（第一层）回归模型 ;这里eij代表随机误差项。但是，需要注意的是，这些儿童既有共性又有个性，这些回归系数受到条件（Ii）的影响，对每一个儿童在不同年龄时期的重复观测也不是独立的。因此，通常的回归并不能更好地描述这个试验。于是在上面的模型的基础上，再增加关于系数的第二层的模型：;其中，我们又有了更多的回归系数和误差项。把这两个模型写到一起，就有下面的统一的模型;纵向数据/面板数据;Growth curve data on an orthdontic measurement Description The?Orthodont?data frame has 108 rows and 4 columns of the change in an orthdontic measurement over time for several young subjects. Format: This data frame contains the following columns: distance(Y): a numeric vector of distances from the pituitary to the pterygomaxillary fissure (mm). These distances are measured on x-ray images of the skull. age(X1): a numeric vector of ages of the subject (yr). Subject(X2): an ordered factor indicating the subject on which the measurement was made. The levels are labelled?M01?to?M16?for the males and?F01?to?F13?for the females. The ordering is by increasing average distance within sex. Sex(X3): a factor with levels?Male?and?Female ;library(nlme) data(Orthodont)#?Orthodont head(Orthodont) fm1 - lme(distance ~ age, data = Orthodont) # random is ~ age summary(fm1) fm12 - lme(distance ~ age, data = Orthodont, random=~age|Subject) summary(fm12)#和fm1等价;随机效应的输出