通过自举获得 glmer 系数置信区间
Obtaining glmer coefficient confidence intervals via bootstrapping
我第一次使用 R 中的混合模型进行统计分析。由于我的数据由二进制结果变量组成，我已经设法使用 lme4 包的 glmer 函数构建了一个逻辑模型，我认为它可以按我的意愿工作。
我现在的目标是调查我的模型系数的统计显着性。我读到一般来说，广义混合模型的最佳方法是 bootstrap 置信区间，但我还没有找到关于如何在 R 中执行此操作的良好、清晰的解释。
有人有什么建议吗？ R 中是否有任何包可以加快此过程，或者人们通常为此构建自己的函数？我之前没有真正做过任何 bootstrapping，所以我希望能得到一些更深入的答案。
如果要计算参数 bootstrap 置信区间，built-in 功能
confint(fitted_model, method = "boot")
应该有效（参见 ?confint.merMod）
另见 this answer（说明了 user-defined 数量的参数和非参数 bootstrapping）。
如果您有多个核心，您可以通过添加 parallel = "multicore", ncpus = parallel::detectCores()-1（或其他一些要使用的适当数量的核心）来加快速度：有关详细信息，请参阅 ?lme4::bootMer。
我第一次使用 R 中的混合模型进行统计分析。由于我的数据由二进制结果变量组成，我已经设法使用 lme4 包的 glmer 函数构建了一个逻辑模型，我认为它可以按我的意愿工作。
我现在的目标是调查我的模型系数的统计显着性。我读到一般来说，广义混合模型的最佳方法是 bootstrap 置信区间，但我还没有找到关于如何在 R 中执行此操作的良好、清晰的解释。
有人有什么建议吗？ R 中是否有任何包可以加快此过程，或者人们通常为此构建自己的函数？我之前没有真正做过任何 bootstrapping，所以我希望能得到一些更深入的答案。
如果要计算参数 bootstrap 置信区间，built-in 功能
confint(fitted_model, method = "boot")
应该有效（参见 ?confint.merMod）
另见 this answer（说明了 user-defined 数量的参数和非参数 bootstrapping）。
如果您有多个核心，您可以通过添加 parallel = "multicore", ncpus = parallel::detectCores()-1（或其他一些要使用的适当数量的核心）来加快速度：有关详细信息，请参阅 ?lme4::bootMer。