lmer 按变量内的特定水平提供 p 值
lmer providing p values by specific levels within a variable
我在尝试进行回归分析时遇到问题 运行。我想检查大脑区域内特定受体密度与该区域与大脑另一个区域的功能连通性之间的相关性。另外,我在我的模型中添加了年龄和尼古丁剂量的变量。但是当我 运行 回归时,输出包括所讨论变量的特定水平的统计数据,而不仅仅是对整个变量的影响。此外,奇怪的是,只有特定级别提供了统计数据,而不是所有级别。例如,它会为我的低尼古丁大鼠和盐水大鼠提供一个 p 值,但不会为高尼古丁组提供一个 p 值。知道发生了什么事吗?
这是我的数据框的一部分:
Rat Age.x Dose Mean_1 Log_Avg
6 Adult LN -0.0053 0.0244
10 Adol HN 0.01061 0.0617
7 Adol Sal -0.0318 0.0428
21 Adult HN 0.0392 0.0600
这是我的回归模型:
Po_Regression<-lmer(Mean_1 ~ Log_Avg + Dose + Age.x + Dose*Age.x + (1|Rat), data = Po_Graph, control=lmerControl(check.nobs.vs.nlev = "ignore",check.nobs.vs.rankZ = "ignore",check.nobs.vs.nRE="ignore"))
我从中得到这个输出:
Linear mixed model fit by REML. t-tests use Satterthwaite's method [lmerModLmerTest]
Formula: Mean_1 ~ Log_Avg + Dose + Age.x + Dose * Age.x + (1 | Rat)
Data: Po_Graph
Control:
lmerControl(check.nobs.vs.nlev = "ignore", check.nobs.vs.rankZ = "ignore",
check.nobs.vs.nRE = "ignore")
REML criterion at convergence: -137.9
Scaled residuals:
Min 1Q Median 3Q Max
-2.26769 -0.70154 0.00813 0.57583 2.85011
Random effects:
Groups Name Variance Std.Dev.
Rat (Intercept) 0.0002083 0.01443
Residual 0.0037911 0.06157
Number of obs: 62, groups: Rat, 62
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 0.098727 0.046705 55.000000 2.114 0.039077 *
Log_Avg -0.129351 0.525355 55.000000 -0.246 0.806431
DoseLN -0.005547 0.029423 55.000000 -0.189 0.851154
DoseSal -0.115904 0.035418 55.000000 -3.272 0.001845 **
Age.xAdult -0.056001 0.029425 55.000000 -1.903 0.062257 .
DoseLN:Age.xAdult 0.002563 0.039653 55.000000 0.065 0.948698
DoseSal:Age.xAdult 0.144597 0.041160 55.000000 3.513 0.000894 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) Lg_Avg DoseLN DoseSl Ag.xAd DLN:A.
Log_Avg -0.904
DoseLN -0.433 0.157
DoseSal -0.758 0.572 0.474
Age.xAdult -0.602 0.344 0.516 0.580
DsLN:Ag.xAd 0.194 0.024 -0.720 -0.271 -0.646
DsSl:Ag.xAd 0.480 -0.301 -0.377 -0.751 -0.734 0.461
我包含了 lmercontrol 位,因为没有它我会不断收到此错误消息:
“错误:每个分组因子的水平数必须 < 观察数”
lmercontrol 位阻止了该错误的发生,但老实说,我不能 100% 确定它到底在做什么。
牢记每个术语的含义很重要。如果您有一个连续预测器,那么当该变量设置为零时,截距就是预测结果。
如果您有一个因子预测因子,例如您的剂量变量,那么它会使用一个因子作为基准率,即截距。模型中的每个因子项都是您期望从一个因子变为另一个因子的变化量。
祝你好运!
我在尝试进行回归分析时遇到问题 运行。我想检查大脑区域内特定受体密度与该区域与大脑另一个区域的功能连通性之间的相关性。另外,我在我的模型中添加了年龄和尼古丁剂量的变量。但是当我 运行 回归时,输出包括所讨论变量的特定水平的统计数据,而不仅仅是对整个变量的影响。此外,奇怪的是,只有特定级别提供了统计数据,而不是所有级别。例如,它会为我的低尼古丁大鼠和盐水大鼠提供一个 p 值,但不会为高尼古丁组提供一个 p 值。知道发生了什么事吗?
这是我的数据框的一部分:
Rat Age.x Dose Mean_1 Log_Avg
6 Adult LN -0.0053 0.0244
10 Adol HN 0.01061 0.0617
7 Adol Sal -0.0318 0.0428
21 Adult HN 0.0392 0.0600
这是我的回归模型:
Po_Regression<-lmer(Mean_1 ~ Log_Avg + Dose + Age.x + Dose*Age.x + (1|Rat), data = Po_Graph, control=lmerControl(check.nobs.vs.nlev = "ignore",check.nobs.vs.rankZ = "ignore",check.nobs.vs.nRE="ignore"))
我从中得到这个输出:
Linear mixed model fit by REML. t-tests use Satterthwaite's method [lmerModLmerTest]
Formula: Mean_1 ~ Log_Avg + Dose + Age.x + Dose * Age.x + (1 | Rat)
Data: Po_Graph
Control:
lmerControl(check.nobs.vs.nlev = "ignore", check.nobs.vs.rankZ = "ignore",
check.nobs.vs.nRE = "ignore")
REML criterion at convergence: -137.9
Scaled residuals:
Min 1Q Median 3Q Max
-2.26769 -0.70154 0.00813 0.57583 2.85011
Random effects:
Groups Name Variance Std.Dev.
Rat (Intercept) 0.0002083 0.01443
Residual 0.0037911 0.06157
Number of obs: 62, groups: Rat, 62
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 0.098727 0.046705 55.000000 2.114 0.039077 *
Log_Avg -0.129351 0.525355 55.000000 -0.246 0.806431
DoseLN -0.005547 0.029423 55.000000 -0.189 0.851154
DoseSal -0.115904 0.035418 55.000000 -3.272 0.001845 **
Age.xAdult -0.056001 0.029425 55.000000 -1.903 0.062257 .
DoseLN:Age.xAdult 0.002563 0.039653 55.000000 0.065 0.948698
DoseSal:Age.xAdult 0.144597 0.041160 55.000000 3.513 0.000894 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) Lg_Avg DoseLN DoseSl Ag.xAd DLN:A.
Log_Avg -0.904
DoseLN -0.433 0.157
DoseSal -0.758 0.572 0.474
Age.xAdult -0.602 0.344 0.516 0.580
DsLN:Ag.xAd 0.194 0.024 -0.720 -0.271 -0.646
DsSl:Ag.xAd 0.480 -0.301 -0.377 -0.751 -0.734 0.461
我包含了 lmercontrol 位,因为没有它我会不断收到此错误消息: “错误:每个分组因子的水平数必须 < 观察数”
lmercontrol 位阻止了该错误的发生,但老实说,我不能 100% 确定它到底在做什么。
牢记每个术语的含义很重要。如果您有一个连续预测器,那么当该变量设置为零时,截距就是预测结果。
如果您有一个因子预测因子,例如您的剂量变量,那么它会使用一个因子作为基准率,即截距。模型中的每个因子项都是您期望从一个因子变为另一个因子的变化量。
祝你好运!