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。