Этот вопрос о получении правильного уравнения для каждого линейного отношения из пакета lmer.Давайте рассмотрим следующую модель с некоррелированными случайными эффектами
fit1 <-lmer(log_age_1 ~ log_recruits + OW_P2 + (1 + OW_P2|Bank2) + (1 + log_recruits|Bank2),
data = sub)
> summary(fit1)
Linear mixed model fit by REML
t-tests use Satterthwaite approximations to degrees of freedom ['lmerMod']
Formula: log_age_1 ~ log_recruits + OW_P2 + (1 + OW_P2 | Bank2) + (1 + log_recruits | Bank2)
Data: sub
REML criterion at convergence: 270.5
Scaled residuals:
Min 1Q Median 3Q Max
-2.01579 -0.71391 -0.02338 0.54065 2.03553
Random effects:
Groups Name Variance Std.Dev. Corr
Bank2 (Intercept) 7.94090 2.8180
OW_P2 0.14820 0.3850 -1.00
Bank2.1 (Intercept) 7.94797 2.8192
log_recruits 0.03295 0.1815 -1.00
Residual 0.80904 0.8995
Number of obs: 90, groups: Bank2, 9
Fixed effects:
Estimate Std. Error df t value Pr(>|t|)
(Intercept) 4.2703 1.7878 12.3750 2.389 0.0337 *
log_recruits 0.6257 0.1095 14.4380 5.714 4.75e-05 ***
OW_P2 -0.4628 0.1922 8.5130 -2.408 0.0408 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) lg_rcr
log_recruts -0.652
OW_P2 -0.713 -0.027
> coef(fit1)
$Bank2
(Intercept) log_recruits OW_P2
1 8.448863 0.3859443 -0.74818801
2 -2.708164 0.8123164 0.01390098
3 2.633726 0.4846902 -0.35098075
4 2.428635 0.5239703 -0.33697190
5 4.778026 0.6053660 -0.49744877
6 1.650567 0.4554392 -0.28382537
7 10.443363 0.7419798 -0.88442383
8 5.580971 0.8323623 -0.55229450
9 5.176478 0.7889412 -0.52466533
> ranef(fit1)
$Bank2
(Intercept) OW_P2 (Intercept) log_recruits
1 2.0892945 -0.28542162 3.7231490 -0.23972341
2 -3.4892188 0.47666737 -2.8988438 0.18664865
3 -0.8182740 0.11178563 2.1895257 -0.14097759
4 -0.9208193 0.12579449 1.5794658 -0.10169749
5 0.2538761 -0.03468239 0.3153068 -0.02030174
6 -1.3098534 0.17894102 2.6438223 -0.17022851
7 3.0865446 -0.42165744 -1.8064452 0.11631208
8 0.6553484 -0.08952811 -3.2101767 0.20669452
9 0.4531020 -0.06189894 -2.5358038 0.16327349
> fixef(fit1)
(Intercept) log_recruits OW_P2
4.2702740 0.6256677 -0.4627664
Затем сделаем прогноз на основе модели и построим прогнозные значения и линейную зависимость Bank2
ggplot(sub,aes(x=OW_P2,y=log_age_1,colour=Bank2))+ geom_point() +
geom_point(aes(y = predict(fit1)), col = "black") +
geom_smooth(aes(y = predict(fit1), colour = Bank2), method = "lm") + facet_wrap(~Bank2)
Вопрос : Как получить оценки параметров для альфа и бета для каждого линейного отношения на основе приведенных выше результатов модели?