[丢掉HLM软件]基于R的多层模型分析教程贴

支持！

进来看看...

学习学习哈哈哈谢谢

3.使用nlme拟合随机斜率模型

#在随机斜率模型中（random coeffcients model），自变量对依变量的预测力在水平2随机变化。

#就当前问题来说，这意味着gevocab对geread的预测力随着水平2学校的变化而变化。

#在界定随机效应时，1指的是截距，如果我仅需要随机截距模型，~1|school就足够了。

#如果我们想要水平1自变量的斜率在水平2随机变化，我们需要改变相应的语句

#前提是，gevocab已经被包含在固定效应部分。这里需要允许斜率和gevocab的斜率随机变化。

#相应的语句如下

Model3.3 <-

  lme(

    fixed = geread ~ gevocab,

    random = ~ gevocab | school,

    data = Achieve

  )

#该模型与Model3.1的区别仅在于1由gevocab代替。

#在随机斜率被界定之后，随机截距就成了默认设置，因此我们没必要声明它。随机截距、随机斜率模型的结果如下。

summary(Model3.3)

#Linear mixed-effects model fit by REML

#Data: Achieve

#       AIC     BIC    logLik

#  43004.85 43048.3 -21496.43

#Random effects:

#Formula: ~gevocab | school

#Structure: General positive-definite, Log-Cholesky parametrization

#            StdDev    Corr  

#(Intercept) 0.5316631 (Intr)

#gevocab     0.1389368 -0.858

#Residual    1.9146630      

#Fixed effects: geread ~ gevocab

#                Value  Std.Error    DF  t-value p-value

#(Intercept) 2.0057073 0.06108841 10159 32.83286       0

#gevocab     0.5203554 0.01441499 10159 36.09821       0

#Correlation:

#        (Intr)

#gevocab -0.866

#Standardized Within-Group Residuals:

#       Min         Q1        Med         Q3        Max

#-3.7101825 -0.5674380 -0.2074309  0.3176354  4.6774087

#Number of Observations: 10320

#Number of Groups: 160

#该结果表明gevocab与geread显著相关。

#可得\[\lambda_{10}=0.5203554\]

#该系数指的是自变量对依变量的平均效应。

#可得\[\tau_{1}^{2}=0.1389368*0.1389368\]

#该系数反映了斜率在水平2（学校间）的变异。

#如果该值较大，则表明自变量对依变量之间的关系随着学校的变化而变化。

#同前文，我们可以估计\[\tau_{0}^{2}=0.282665652\]

#可得\[\delta^{2}=3.665934404\]

#总体来看同一学校内的学生间的变异较大，截距、gevocab的斜率在学校间的变异较小。

看看，嘛内容？

3.s 去除截距的随机效应，保留斜率的随机效应

1. #这里我们补充一个范例Model3.3.s。如果截距的随机效应不显著，可以考虑将其从模型中剔除。
   
2. #方法是在随机效应部分增加-1。注意，我们用1表示截距，这里用-1表示剔除截距。
   
3. 
   
4. Model3.3.s <-
   
5.   lme(
   
6.     fixed = geread ~ gevocab,
   
7.     random = ~ -1 + gevocab | school,
   
8.     data = Achieve
   
9.   )
   
10. summary(Model3.3.s)
    
11. 
    
12. #Linear mixed-effects model fit by REML
    
13. # Data: Achieve
    
14. #       AIC      BIC    logLik
    
15. #  43059.37 43088.34 -21525.68
    
16. #
    
17. #可见，相较于Model3.3，Model3.3.s的随机效应部分没有(Intercept)，即截距不包含随机效应。
    
18. #Random effects:
    
19. # Formula: ~-1 + gevocab | school
    
20. #           gevocab Residual
    
21. #StdDev: 0.07672438 1.929089
    
22. #
    
23. #Fixed effects: geread ~ gevocab
    
24. #                Value  Std.Error    DF  t-value p-value
    
25. #(Intercept) 2.0251370 0.04250442 10159 47.64533       0
    
26. #gevocab     0.5103283 0.01073088 10159 47.55698       0
    
27. # Correlation:
    
28. #        (Intr)
    
29. #gevocab -0.725
    
30. #
    
31. #Standardized Within-Group Residuals:
    
32. #      Min         Q1        Med         Q3        Max
    
33. #-3.3534887 -0.5700397 -0.2101143  0.3326884  4.4602307
    
34. #
    
35. #Number of Observations: 10320
    
36. #Number of Groups: 160

复制代码

可以哦

4.使用nlme估计包含交互作用的多层模型

本帖隐藏的内容

#自变量之间的交互作用，尤其是跨层交互作用，在多层模型的实际应用中是非常重要的。
#跨层交互作用指：水平1的自变量（词汇成绩）对依变量的效应随着水平2自变量（学校规模，senroll）的变化而变化。
#特别注意：跨层交互效应即，水平2的自变量对水平1的自变量的斜率具有预测作用。
#交互项，不论是处于同一层还是跨层，简单看来就是两个自变量的积。
#下面展示了包含同一层交互作用的模型（Model3.5）和包含跨层交互作用的模型（Model3.6）。

1. Model3.5 <-
   
2.   lme(
   
3.          fixed = geread ~ gevocab + age + gevocab * age,
   
4.          random = ~ 1 | school,
   
5.          data = Achieve
   
6.        )
   
7. 
   
8. Model3.6 <-
   
9. lme(
   
10.          fixed = geread ~ gevocab + senroll + gevocab * senroll,
    
11.          random = ~ 1 | school,
    
12.          data =Achieve
    
13.        )

复制代码

#Model3.5界定了一个包含水平1交互效应的模型，Model3.6界定了一个包含跨层交互效应的模型。
#不论变量属于哪一层，交互项的界定方法都是一样的。

1. summary(Model3.5)

复制代码

#gevocab:age预测作用显著。可得，随着年龄的升高，词汇成绩对阅读成绩的预测作用增强(Model3.5)。

1. summary(Model3.6)

复制代码

#可得，随着学校规模的增大，词汇成绩对阅读成绩的预测力逐渐减弱。

想学习想详细

不错，好好学学