一般化線形混合モデル
一般化線形混合モデル
色々なパッケージがあると思いますが、過分散とゼロ過剰なカウントデータを扱うことのできるglmmTMBパッケージを個人的には使うことが多いです。(モデルが複雑すぎると?)収束しないこともあります。
# Windows 7 Professional 32bit# R ver. 3.5.2# 2019.5.25
# パッケージinstall.packages("glmmTMB") # パッケージのインストール(初回のみ)library(glmmTMB) # パッケージの呼び出し
# データの例data <- read.csv("Data.csv") # データの読み込みdata$Exp # 説明変数data$Res # 目的変数data$Ran #ランダム変数
# 一般化線形混合モデル# ランダム変数は複数入れることが可能ですres <- glmmTMB(Res~Exp+(1|Ran), family="poisson", data=data) # Poissonres <- glmmTMB(Res~Exp+(1|Ran), family="nbinom2", data=data) # Negative binomialres <- glmmTMB(Res~Exp+(1|Ran), ziformula=~1, family="poisson", data=data) # zero-inflated Poisson (切片のみ)res <- glmmTMB(Res~Exp+(1|Ran), ziformula=~1, family="nbinom2", data=data) # zero-inflated negative binomial (切片のみ)summary(res)
# MuMInパッケージのdredge関数を使ったモデル選択も可能ですinstall.packages("MuMIn")library(MuMIn)Res <- dredge(res, rank="AICc")
# モデル選択表を保存write.csv(model.sel(Res), "model.selection.csv")
# モデル平均(例えばΔAICc < 2.0のモデルのみで行う場合)ma <- model.avg(Res, subset = delta<2)write.csv(ma$coefficients, "model.averaging.csv")
# パッケージinstall.packages("glmmTMB") # パッケージのインストール(初回のみ)library(glmmTMB) # パッケージの呼び出し
# データの例data <- read.csv("Data.csv") # データの読み込みdata$Exp # 説明変数data$Res # 目的変数data$Ran #ランダム変数
# 一般化線形混合モデル# ランダム変数は複数入れることが可能ですres <- glmmTMB(Res~Exp+(1|Ran), family="poisson", data=data) # Poissonres <- glmmTMB(Res~Exp+(1|Ran), family="nbinom2", data=data) # Negative binomialres <- glmmTMB(Res~Exp+(1|Ran), ziformula=~1, family="poisson", data=data) # zero-inflated Poisson (切片のみ)res <- glmmTMB(Res~Exp+(1|Ran), ziformula=~1, family="nbinom2", data=data) # zero-inflated negative binomial (切片のみ)summary(res)
# MuMInパッケージのdredge関数を使ったモデル選択も可能ですinstall.packages("MuMIn")library(MuMIn)Res <- dredge(res, rank="AICc")
# モデル選択表を保存write.csv(model.sel(Res), "model.selection.csv")
# モデル平均(例えばΔAICc < 2.0のモデルのみで行う場合)ma <- model.avg(Res, subset = delta<2)write.csv(ma$coefficients, "model.averaging.csv")
自分の記録用ですが、ご自由にお使いください (使用によって生じた如何なる損害も、当方では一切の責任を負いかねます)。もしお役に立った場合はご一報いただけると嬉しいですし、共同研究に発展することがあればさらに嬉しいです。。。
解析のご質問やご相談は katayama6 at affrc.go.jp までご連絡いただければ幸いです。