Je voudrais extraire les pentes de chaque individu dans un modèle à effets mixtes, comme indiqué dans le paragraphe suivant
Des modèles à effets mixtes ont été utilisés pour caractériser les voies individuelles de changement dans les mesures cognitives sommaires, y compris les termes pour l'âge, le sexe et les années de scolarité comme effets fixes (Laird et Ware, 1982; Wilson et al., 2000, 2002c) ... Les termes résiduels de la pente du déclin cognitif individuel ont été extraits des modèles mixtes, après ajustement pour les effets de l'âge, du sexe et de l'éducation. Les pentes résiduelles ajustées spécifiques à la personne ont ensuite été utilisées comme phénotype de résultat quantitatif pour les analyses d'association génétique. Ces estimations correspondent à la différence entre la pente d'un individu et la pente prévue d'un individu du même âge, sexe et niveau d'éducation.
De Jager, PL, Shulman, JM, Chibnik, LB, Keenan, BT, Raj, T., Wilson, RS, et al. (2012). Une analyse à l'échelle du génome pour les variantes communes affectant le taux de déclin cognitif lié à l'âge . Neurobiologie du vieillissement, 33 (5), 1017.e1–1017.e15.
J'ai envisagé d'utiliser la coeffonction pour extraire les coefficients pour chaque individu, mais je ne sais pas si c'est la bonne approche à utiliser.
Quelqu'un peut-il fournir des conseils sur la façon de procéder?
#example R code
library(lme4)
attach(sleepstudy)
fml <- lmer(Reaction ~ Days + (Days|Subject), sleepstudy)
beta <- coef(fml)$Subject
colnames(beta) <- c("Intercept", "Slope")
beta
summary(beta)
summary(fm1)
la source
Daysn'est pas centré sur la moyenne, et donc l'ordonnée à l'origine du modèle est inférieure à la valeur moyenne deReaction. De plus, la droite de régression est la meilleure adaptation linéaire. Par conséquent, les observations ne sont pas nécessairement sur cette ligne.