我的变量是在一个随机区块上进行测量的,采用子采样设计,其中我的治疗是23 Accesion。我有3个完整的块和每块6个样本。示例数据框包含4个响应变量(LH,REN,FTT,DFR),访问(处理),Bloque(块号)和Plot(即子采样的变量)。数据的头是:一般线性混合效应(glmer)异方差模型
Plot Accesion Bloque LH REN FTT DFR
1 221 22 1 20.6 1127 23 88
2 221 22 1 20.5 1638 20 88
3 221 22 1 24.5 1319 16 88
4 221 22 1 21.4 960 17 88
5 221 22 1 25.7 1469 18 88
6 221 22 1 25.8 1658 21 88
因此,该数据是所有类型的转换(日志,boxcox,电源等)后,非正常和异方差几乎所有的100个响应变量。大多数变量显示每个Accesion具有不同方差的卡方或泊松样分布。
到目前为止,我beeng上运行的广义线性与泊松使用的FTT的glmer()
作为响应变量模型效果的工作。我正在使用此代码:
FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc,
family=poisson(link="identity"))
根据shapiro.test(),残差是非正常的。我认为,这是因为在残差中观察到异方差。正如Accesion残差的箱线图,显示差异的区别:
的异方差是植物种群之间的预期,但我知道它可以在里面glme进行建模。我要补充,我已经研究的代码是:
vf <- varIdent(form=~Accesion)
FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc,
family=poisson(link="identity"), weights = vf)
我想不同的差异,以了解每个Accesion类别。不过,我不断收到错误:
Error in model.frame.default(data = Lyc, weights = varIdent(form = ~Accesion), : variable lengths differ (found for '(weights)')
有谁知道如何计算方差的Accesions之间的glmer()
里面的区别是什么?
任何其他建议来分析数据也是受欢迎的。
(1)为什么一个身份链接? (2)你试图混合'nlme'和'lme4'语法的权重:这是行不通的... –
glmer得到了一个权重参数。什么是正确的sintax? –