J'essaie d'intégrer un modèle mixte multivarié (c'est-à-dire à réponses multiples) R
. Mis à part les packages ASReml-r
et SabreR
(qui nécessitent un logiciel externe), il semble que cela ne soit possible qu'en MCMCglmm
. Dans l' article qui accompagne le MCMCglmm
paquet (p. 6), Jarrod Hadfield décrit le processus d'ajustement d'un tel modèle comme par exemple le remodelage de plusieurs variables de réponse en une variable de format long, puis la suppression de l'interception globale. Je crois comprendre que la suppression de l'ordonnée à l'origine modifie l'interprétation du coefficient pour chaque niveau de la variable de réponse comme étant la moyenne de ce niveau. Compte tenu de ce qui précède, est-il donc possible d'adapter un modèle mixte multivarié à l'aide de lme4
? Par exemple:
data(mtcars)
library(reshape2)
mtcars <- melt(mtcars, measure.vars = c("drat", "mpg", "hp"))
library(lme4)
m1 <- lmer(value ~ -1 + variable:gear + variable:carb + (1 | factor(carb)),
data = mtcars)
summary(m1)
# Linear mixed model fit by REML
# Formula: value ~ -1 + variable:gear + variable:carb + (1 | factor(carb))
# Data: mtcars
# AIC BIC logLik deviance REMLdev
# 913 933.5 -448.5 920.2 897
# Random effects:
# Groups Name Variance Std.Dev.
# factor(carb) (Intercept) 509.89 22.581
# Residual 796.21 28.217
# Number of obs: 96, groups: factor(carb), 6
#
# Fixed effects:
# Estimate Std. Error t value
# variabledrat:gear -7.6411 4.4054 -1.734
# variablempg:gear -1.2401 4.4054 -0.281
# variablehp:gear 0.7485 4.4054 0.170
# variabledrat:carb 5.9783 4.7333 1.263
# variablempg:carb 3.3779 4.7333 0.714
# variablehp:carb 43.6594 4.7333 9.224
Comment interpréter les coefficients de ce modèle? Cette méthode fonctionnerait-elle également pour les modèles mixtes linéaires généralisés?