有关型号的问题中的信息,建议指定fixed = y ~ 1 + x
和random = ~ us(1 + x):cluster
。与us()
你允许相关联的随机效应(参见第3.4节和表2中Hadfield's 2010 jstatsoft-article)
首先,因为只需一个因变量(y
),在现有(比照ģ部分。方程4和部分3.6在Hadfield's 2010 jstatsoft-article)对于随机效应方差(s)只需要有一个名为G1
的列表元素。此列表元素不是实际的先前分布 - Hadfield指定这是一个inverse-Wishart distribution。但随着G1
你指定了这个反Whishart分布的是规模矩阵(维基百科中的符号和V
在MCMCglmm
符号)的(在维基百科符号在MCMCglmm
符号nu
)参数和自由度。由于您有两个随机效应(截距和斜率)V
必须是2 x 2矩阵。频繁的选择是二维单位矩阵diag(2)
。哈德菲尔德经常使用nu = 0.002
的自由度(参见his course notes)
现在,还必须以指定的现有的剩余方差的ř一部分。在这里,哈德菲尔德指定了逆Whishart分布,使用户指定其参数。由于我们只有一个残差,因此V
必须是标量(可以说是V = 0.5
)。 R
的可选元素是fix
。与此元素指定,剩余方差是否应被固定为特定的值(比你必须写fix = TRUE
或fix = 1
)否(然后fix = FALSE
或fix = 0
)。请注意,您不会将残差保留为0.5
fix = 0.5
!因此,当您在Hadfield的课程笔记fix = 1
中找到时,请将其解读为fix = TRUE
,然后查看V
的哪个值已修复。
所有togehter我们成立了之前如下:
prior0 <- list(G = list(G1 = list(V = diag(2), nu = 0.002)),
R = list(V = 0.5, nu = 0.002, fix = FALSE))
有了这个之前,我们可以运行MCMCglmm
:从吉布斯采样
library("MCMCglmm") # for MCMCglmm()
set.seed(123)
mod0 <- MCMCglmm(fixed = y ~ 1 + x,
random = ~ us(1 + x):cluster,
data = dat,
family = "categorical",
prior = prior0)
平局的固定效果在mod0$Sol
发现,该画在mod0$VCV
方差参数。
通常一个二项式模型需要剩余方差是固定的,所以我们设置剩余方差为固定在0.5
set.seed(123)
prior1 <- list(G = list(G1 = list(V = diag(2), nu = 0.002)),
R = list(V = 0.5, nu = 0.002, fix = TRUE))
mod1 <- MCMCglmm(fixed = y ~ 1 + x,
random = ~ us(1 + x):cluster,
data = dat,
family = "categorical",
prior = prior1)
的差异可以通过比较mod0$VCV[, 5]
到mod1$VCV[, 5]
可以看出。在后面的情况下,所有条目都是指定的0.5
。