R语言分层线性模型案例

有许多分层数据的例子。例如，地理数据通常按层次分组，可能是全球数据，然后按国家和地区分组。一个生物学的例子是按物种分组的动物或植物的属性，或者属于一个级别的属性，然后是家族。一个商业例子可能是业务部门和细分的员工满意度。

由Kaizong Ye，Coin Ge撰写

每个学科都有许多例子，其中观察以某种形式的层次结构进行分组。

可下载资源

完整程序、数据和文档（word）

在这里，我想解释使用一个简单的例子，如何使用R来构建分层线性模型。我在整个三组中使用简单的一维数据集。在每个组内，自变量x和因变量y之间存在强正相关关系。

1. nlme包

1.1 随机截距模型

两水平的随机截距模型示例代码

R

1

lme( fixed = y~x, random = ~1|A, data)

三水平的随机截距模型示例代码（A/B表示嵌套结构，B嵌套在A里面，比如班级嵌套在学校里面）

R

1

lme( fixed = y~x, random = ~1|A/B, data)

1.2 随机斜率模型

两水平的示例代码

R

1
2

lme(fixed = y~x1 + x2,
    random = ~x1 + x2|A, data)

三水平的示例代码

R



1
2
3

# 指定A层截距随机，B层x1对y的斜率随机，可以类推。
lme(fixed = y~x1 + x2, random =
    list(A = ~1, B = ~x1), data)

2. lme4包

2.1 随机截距模型

两水平的随机截距模型示例代码

R

1

lmer(y~x +(1|A), data

三水平的随机截距模型示例代码（A/B表示嵌套结构，B嵌套在A里面，比如班级嵌套在学校里面）

R

1

lmer(y~x + (1|A/B), data)

2.2 随机斜率模型

两水平的示例代码

R

1

lmer(y~x + (x|A), data)

三水平的示例代码

R

1

lmer(y~x1 + x2 + (x1|A/B), data)

具体问题，理清楚嵌套结构和构建好层次模型就好了。

geom_smooth(aes(x=x,y=y,group=group),method=lm,se=FALSE) +

theme_bw() + theme(legend.position="null")

g + geom_smooth(aes(x=x,y=y),method=lm,se=TRUE)

这些组有不同的颜色。在本文的其余部分，我将展示如何使用层次模型来模拟这种情况，该模型确实考虑了组信息。

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

建议的分层线性模型的一个包是arm，它具有与lm（）函数非常相似的函数lmer（）。

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

lmer.both <- lmer(y~1+x+(1+x|group),data=df)

summary(lmer.both) # 固定效应是顶层截距和斜率

# (Intercept) x

# 1.978652 1.144952

# 截距组随机效应

> ranef(lmer.alpha)

# $group

# (Intercept)

# 1 3.4386106

# 2 -0.8360106

# 3 -2.6026000

# > group.alpha

# [1] 4.2883814 1.2134493 -0.5410049

# > ranef(lmer.alpha)$group[,1] + fixef(lmer.alpha)[1]

# [1] 5.4172624 1.1426413 -0.6239482

group.alpha

# 固定效果是顶层截距

# (Intercept)

# 5.788223

# 对截距和斜率进行分组随机影响

# (Intercept) x

# 1 -1.740225 0.518047

# 2 -4.564296 1.415710

# 3 -6.354477 1.231584

# > group.alpha

# [1] 4.2883814 1.2134493 -0.5410049

# > ranef(lmer.beta)$group +

# [1] 4.0479981 1.2239268 -0.5662542

fixef(lmer.beta)

ranef(lmer.beta)

group.beta

# > fixef(lmer.both)

# (Intercept) x

# 1.578741 1.059370

# > ranef(lmer.both)

# $group

# (Intercept) x

# 1 2.500014 -0.5272426

# 2 -0.355365 0.3545068

# 3 -2.144649 0.1727358

fixef(lmer.both)

ranef(lmer.both)

#我们简单地运行3个回归，每组一个

coef(lm(y~x,data=df[group==1,]))

coef(lm(y~x,data=df[group==2,]))

coef(lm(y~x,data=df[group==3,]))

# (Intercept) x

# 4.0653645 0.5259707

# 1.227969 1.428500

# -0.570280 1.225905

# true values for group.alpha are

# 4.2883814 1.2134493 -0.5410049

(ranef(lmer.alpha)$group[,1]) + fixef(lmer.alpha)[1]

(ranef(lmer.beta)$group[,1]) + fixef(lmer.beta)[1]

# Alpha随机效应图

fit.lines <- data.frame(cbind(intercept=(ranef(lmer.alpha)$gro

g.alpha

# beta随机效应图

fit.lin

iplot(g.alpha

结果显示有三个图，第一个是截距（alpha）依赖于组，第二个是斜率（β）依赖于组，第三个是截距和斜率依赖组。

你可能在想为什么不是做三个单独的线性回归，因为第三个例子产生的系数非常接近于此。原因是基于这样的假设：alphas和beta是从顶层分布中提取的，因此是相关的。这意味着我们可以在组之间汇集信息，如果我们为其中一个组提供的数据非常少。

术语回归系数是“固定效应”，组别称为“随机效应”。

fit.lines.both$group <- factor(rep(1:3,each=

# 现在执行3个单独的线性回归（每组一个）

lm.mcmc.1 <- MCMCglm(y~1+x,dat

fit.lines.mcmc <- data.frame(rbind + ta=fit.lines.mcm

结果如下所示。

最受欢迎的见解

1.基于R语言的lmer混合线性回归模型

2.R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）

3.R语言线性混合效应模型实战案例

4.R语言线性混合效应模型实战案例2

5.R语言线性混合效应模型实战案例

6.线性混合效应模型Linear Mixed-Effects Models的部分折叠Gibbs采样

7.R语言LME4混合效应模型研究教师的受欢迎程度

8.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长

9.使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM

每组只有一个单独的线性回归。对于蓝色和红色组，线条在大多数情况下非常适合数据，但对于只有三个数据点的绿色组，线条遍布整个地方，因为没有任何先验信息，估计数据的斜率和偏移量非常不确定。右侧的图表显示因为该模型假设所有三组的斜率和偏移都是从一个分布中得出的，所以可以合理地假设斜率是正的。我们知道这适用于这个例子，因为我们设计了数据生成过程。