读取和检查数据

• 从文件中读取数据。
• 查看数据的前几行，看是否正确读取。
• 创建一个显示两年研究中每只飞鸟的测量对图。可以尝试制作点阵图。是否有证据表明不同年份之间存在着测量变异性？

分析步骤

读取并检查数据。

head(fly)

# 点阵图
chart(patch ~ bird)

---

---

# 但显示成对数据的更好方法是用成对的交互图来显示
plot(res=patch, x = year)

# 优化版本
plot(y = patch, x = factor(year), theme_classic)

# 1.混合效应模型
# 2. 参数估计
summary(z)

# 5. 方差分量
VarCorr(z)

# 可重复性
1.11504^2/(1.11504^2 + 0.59833^2)

## \[1\] 0.7764342

# 7.残差与拟合值的关系图
plot(z)

---

金鱼视觉

Cronly-Dillon和Muntz(1965; J. Exp. Biol 42: 481-493)用视运动反应来测量金鱼的色觉。在这里，我们将对数据进行拟合，包括测试的全部波长。5条鱼中的每一条都以随机的顺序在所有的波长下被测试。敏感度的值大表明鱼可以检测到低的光强度。

读取和检查数据

• 读取文件中的数据，并查看前几行以确保读取正确。
• 使用交互图来比较不同光波长实验下的个体鱼的反应。
• 使用什么类型的实验设计？*这将决定在拟合数据时使用的线性混合模型。

构建线性混合效应模型

• 对数据拟合一个线性混合效应模型。可以用lmer()来实现。发现“畸形拟合”，“boundary (singular) fit: see ?isSingular
  ”
• 绘制拟合（预测）值**。每条鱼的预测值和观察值之间的差异代表残差。
• 你在（1）中做了什么假设？创建一个残差与拟合值的图，以检查这些假设之一。
• 从保存的lmer对象中提取参数估计值。检查固定效应的结果。给出的系数与使用lm分析的分类变量的解释相同。
• 检查随机效应的输出。我们的混合效应模型中再次出现了两个随机误差的来源。它们是什么？其中哪个对应于输出中的”（截距）”，哪个对应于 “残差”？注意，在这个数据集中，其中一个变化源的估计标准差非常小。这就是畸形拟合信息背后的原因。鱼类之间的方差不太可能真的为零，但是这个数据集非常小，由于抽样误差，可能会出现低方差估计。
• 生成基于模型的每个波长的平均敏感度的估计。
• 各个波长之间的差异是否显著？生成lmer对象的方差分析表。这里测试的是什么效应，随机效应还是固定效应？解释方差分析结果。

x <- read.csv("fish.csv", 
        stringsAsFactors = FALSE)
head(x)

拟合一个线性混合效应模型。

该模型假设所有拟合值的残差为正态分布，方差相等。该方法还假设个体鱼之间的随机截距为正态分布。该方法还假设组（鱼）的随机抽样，对同一鱼的测量之间没有影响。

# # 1. 拟合混合效应模型。

## boundary (singular) fit: see ?isSingular

# 2. 这就为每条鱼分别绘制了拟合值。
vis(z)

# 3.测试假设
plot(z)

# 4. 提取参数估计值
summary(z)

# 6.  基于模型的平均敏感度估计 
means(z)

# 7. ANOVA方差分析

---

蓍草酚类物质的浓度

项目实验性地调查了国家公园的北方森林生态系统中施肥和食草的影响（Krebs, C.J., Boutin, S. & Boonstra, R., eds (2001a) Ecosystem dynamics of the Boreal Forest.Kluane项目. 牛津大学出版社，纽约）) ，目前的数据来自于一项关于植物资源和食草动物对底层植物物种防御性化学的影响的研究。

16个5×5米的小区中的每一个都被随机分配到四个实验之一。1）用栅栏围起来排除食草动物；2）用N-P-K肥料施肥；3）用栅栏和施肥；4）未实验的对照。然后，16块地中的每一块被分成两块。每块地的一侧（随机选择）在20年的研究中持续接受实验。每块地的另一半在头十年接受实验，之后让它恢复到未实验的状态。这里要分析的数据记录了欧蓍草（Achillea millefolium）中酚类物质的浓度（对植物防御化合物的粗略测量），欧蓍草是地块中常见的草本植物。测量单位是每克干重毫克丹宁酸当量。

可视化数据

• 从文件中读取数据。
• 检查前几行的数据。实验是作为一个有四个层次的单一变量给出的（而不是作为两个变量，围墙和肥料，用2×2因子设计的模型）。持续时间表示半块土地是否接受了整整20年的实验，或者是否在10年后停止实验。变量 “ch “是蓍草中酚类物质的浓度。
• 画一张图来说明不同实验和持续时间类别中蓍草中的酚类物质的浓度。在每个实验和持续时间水平的组合中没有很多数据点，所以按组画条形图可能比按组画箱形图更好。
• 添加线段来连接成对的点。

拟合一个线性混合效应模型

• 使用的是什么类型的实验设计？*这将决定对数据的线性混合模型的拟合。
• 在没有实验和持续时间之间的交互作用的情况下，对数据进行线性混合模型拟合。使用酚类物质的对数作为因变量，因为对数转换改善了数据与线性模型假设的拟合。
• 可视化模型对数据的拟合。按持续时间（如果xvar是实验）或实验（如果xvar是持续时间）分开面板。visreg()不会保留配对，但会允许你检查残差。
• 现在重复模型拟合，但这次包括实验和持续时间之间的相互作用。将模型与数据的拟合情况可视化。两个模型拟合之间最明显的区别是什么，一个有交互作用，另一个没有？描述包括交互项的模型 “允许 “什么，而没有交互项的模型则不允许。判断，哪个模型最适合数据？
• 使用诊断图检查包括交互项的模型的线性混合模型的一个关键假设。
• 使用拟合模型对象估计线性模型的参数（包括交互作用）。请注意，现在固定效应表中有许多系数。
• 在上一步的输出中，你会看到 “随机效应 “标签下的 “Std.Dev “的两个数量。解释一下这些数量指的是什么。
• 来估计所有固定效应组合的模型拟合平均值。
• 生成固定效应的方差分析表。哪些项在统计学上是显著的？
• 默认情况下，lmerTest将使用Type 3的平方和来测试模型项，而不是按顺序（Type 1）。用类型1来重复方差分析表。结果有什么不同吗？**

*实验采用了分块设计，即整个块被随机分配到不同的实验，然后将第二种实验（持续时间）的不同水平分配到块的一半。

*应该没有差别，因为设计是完全平衡的。

分析步骤

阅读并检查数据。

一个好的策略是对实验类别进行排序，把对照组放在前面。这将使线性模型的输出更加有用。

# 1. 读取数据
# 2. 检查
head(x)

# 3. 分组带状图
# 首先，重新排列实验类别
factor(treat,levels=c("cont","exc","fer","bo"))
plot(data = x, y = log(phe), x = treat, fill = dura, color = dura)

# 4. 在多个面板上分别绘制成对的数据
plot(data = x,y = log(ach, x = dur, fill = dur, col = dur)

拟合一个线性混合效应模型。固定效应是 “实验 “和 “持续时间”，而 “块”是随机效应。拟合交互作用时，实验水平之间的差异大小在持续时间水平之间会有所不同。

由于随机效应也存在（块），系数表将显示两个随机变化来源的方差估计。一个是拟合模型的残差的方差。第二个是（随机）块截距之间的方差。

# 2. 拟合混合效应模型-无交互作用

# 3. 可视化
vis(z)

# 4. 包括交互项和再次视觉化
z.int <- lmer(log(phen.ach) ~ treatment * duration + (1|plot), data=x)

vis(z.int, overlay = TRUE)

# 5. 绘制图表以检验方差齐性（以及正态性）
plot(z)

# 6. 系数
summary(z)

# 8. 模型拟合平均值
means(z, data = x)

# 9. 方差分析表
anova(z) # lmerTest中默认为3类平方和。

# 10.  改为1类
anova(z, type = 1)