random effects をひとつにすれば,
最尤法を使った混合モデルの推定ができる.
乱数を使ってブロック差・個体差のあるデータを生成する.
ブロック (plot) のランダム効果は
rnorm(1, mean = 0, sd = 0.5)
で,
個体のそれは
rnorm(1, mean = 0, sd = 0.1)
という設定にしている.
いつものことながら,
この同じデータを使っていても
glmm()
(repeated package)
の推定結果と
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.586 0.258 2.27 0.0231
toxicity.L 3.646 0.653 5.58 2.4e-08
toxicity.Q -0.840 0.612 -1.37 0.1701
toxicity.C -1.482 0.635 -2.33 0.0196
toxicity^4 1.176 0.642 1.83 0.0669
toxicity^5 0.306 0.635 0.48 0.6301
sd 0.764 0.266 2.87 0.0041
と glmmML()
(glmmML package)
の推定結果
coef se(coef) z Pr(>|z|)
(Intercept) 0.580 0.291 1.992 4.6e-02
toxicity.L 3.614 0.822 4.396 1.1e-05
toxicity.Q -0.834 0.679 -1.230 2.2e-01
toxicity.C -1.471 0.710 -2.071 3.8e-02
toxicity^4 1.168 0.709 1.648 9.9e-02
toxicity^5 0.305 0.695 0.439 6.6e-01
Standard deviation in mixing distribution: 0.726
はびみょーに異なる
(AIC はだいたい同じ).
glmmPQL()
(MASS package)
だとこんなかんぢで.
Random effects:
Formula: ~1 | plot
(Intercept) Residual
StdDev: 1.0456 0.81762
Fixed effects: dead ~ 1 + toxicity
Value Std.Error DF t-value p-value
(Intercept) 0.5811 0.27448 84 2.1173 0.0372
toxicity.L 3.5539 0.66403 36 5.3520 0.0000
toxicity.Q -0.7927 0.66284 36 -1.1959 0.2395
toxicity.C -1.4142 0.67645 36 -2.0907 0.0437
toxicity^4 1.1011 0.68171 36 1.6152 0.1150
toxicity^5 0.2699 0.67646 36 0.3989 0.6923