混合效应模型(Mixed effect model)丨多水平模型(Multilevel model)分层模型(Hierarchical Model)嵌套模型(Nested Model)及贝叶斯实现 |
您所在的位置:网站首页 › 多层次模型mlm › 混合效应模型(Mixed effect model)丨多水平模型(Multilevel model)分层模型(Hierarchical Model)嵌套模型(Nested Model)及贝叶斯实现 |
目录 预习:复杂数据的回归及混合效应模型概述及数据探索 专题一:回归与混合效应(多水平/层次/嵌套)模型 专题二:贝叶斯(brms)回归与混合效应(多水平/层次/嵌套)模型 专题三:相关数据回归分析:嵌套、时间、空间、系统发育相关数据分析 专题四:非线性关系数据分析:广义可加(混合)模型(GAM/GAMM)和非线性(混合)(NLM/NLMM)模型 更多应用 回归分析是科学研究中十分重要的数据分析工具。随着现代统计技术发展,回归分析方法得到了极大改进。混合效应模型(Mixed effect model),即多水平模型(Multilevel model)/分层模型(Hierarchical Model)/嵌套模型(Nested Model),无疑是现代回归分析中应用最为广泛的统计模型,代表了现代回归分析主流发展方向。混合效应模型形式灵活可以应对现代科学研究中各种数据情况,与传统回归模型相比具有更为强大数据分析能力,且结果更为可信。 本教程将分为复杂数据的回归及混合效应模型概述及数据探索;回归与混合效应模型,包括一般线性回归(lm)、广义线性回归(glm);线性混合效应模型(lmm)及广义线性混合效应模型(glmm);贝叶斯(brms)回归与混合效应模型;相关数据回归与混合效应模型及贝叶斯实现,包括嵌套数据、时间自相关数据,空间自相数据及系统发育数据分析;非线性数据回归分析及贝叶斯实现,包括广义可加(混合)模型和非线性(混合)模型等。通过大量实例讲解,使大家能应对科研工作中复杂数据局面,选择合适模型,提高数据分析能力。 预习:复杂数据的回归及混合效应模型概述及数据探索1.复杂数据回归模型的选择策略 ①科学研究中数据及其复杂性 ②回归分析历史、理论基础 ③回归分析基本假设和常见问题 ④复杂数据回归模型选择策略 2.如何通过数据探索避免常见统计问题 ①数据缺失(missing value) ②零值(zero trouble) ③奇异值/离群值(outliers) ④异质性(heterogeneity) ⑤数据分布正态性(normality) ⑥响应变量与预测变量间关系(relationships) ⑦交互作用项(interaction) ⑧共线性(collinearity) ⑨样本独立性(independence) 1.一般线性模型(lm) ①基本形式、基本假设、估计方法、参数检验、模型检验 ②一般线性回归、方差分析及协方差分析 ③一般线性回归模型验证 ④一般线性回归模型选择-逐步回归 案例1:鱼类游速与水温关系的回归及协方差分析 案例2:施肥和种植密度对作物产量的影响 案例3:决定海洋植食性鱼类多样性的决定因子-模型验证 案例4:淡水鱼丰度的环境因子的筛选-逐步回归 2.广义线性模型(glm) ①基本形式、基本假设、估计方法、参数检验、模型检验 ②0,1数据分析:伯努利分布、二项分布及其过度离散问题 ③计数数据各种情况及模型选择:泊松、伪泊松、负二项、零膨胀泊松、零膨胀负二项、零截断泊松及零截断负二项模型 ④广义线性模型的模型比较和选择-似然比LR和AIC 案例1:动物身体特征与患病与否(0,1)的关系的逻辑斯蒂回归 案例2:海豹年龄与攻击行为的关系-0,1数据转化为比率数据分析 案例3:不同实验处理下蚜虫多度的差异分析-计数数据泊松回归 其他案例:零膨胀、零截断数据分析 3.线性混合效应模型(lmm) ①线性混合效应模型基本原理 ②线性混合效应模型建模步骤及实现 ③线性混合效应模型的预测和模型诊断 ④线性混合效应模型的多重比较 案例1:睡眠时间与反应速度关系 案例2:多因素实验(分层数据)的多重比较 4.广义线性混合效应模型(glmm) ①广义线性混合效应模型基本原理 ②广义线性混合效应模型建模步骤及流程 ③广义线性混合效应模型分析0,1数据 ④广义线性混合效应模型分析计数数据及模型选择:泊松、伪泊松、负二项、零膨胀泊松、零膨胀负二项、零截断泊松及零截断负二项模型 案例1:蝌蚪“变态”与否(0,1)的多因素分析-逻辑斯蒂混合效应模型 案例2:虫食种子多度影响因素的多变量分析-泊松混合效应模型 案例3:模拟计数数据-零膨胀、零截断、过度离散等广义混合效应模型 1.贝叶斯回归及混合效应模型上 ①贝叶斯回归分析简介 ②利用brms实现贝叶斯回归分析简介 ③贝叶斯回归分析的模型诊断、交叉验证、预测和作图 ④贝叶斯广义线性模型实现:gamma分布、伯努利分布、二项分布等 案例1:鱼游速与温度关系的贝叶斯回归-结果解读、模型验证、模型诊断 案例2:森林生物量与林龄关系贝叶斯回归-gamma分布、brms参数调整 案例3:动物身体特征与患病与否(0,1)的关系的贝叶斯回归-伯努利分布 案例4:海豹年龄与攻击行为的关系-0,1数据转化为比率数据分析-二项分布 其他案例:贝叶斯分析计数数据过度离散、零膨胀等问题 2.贝叶斯回归及混合效应模型下 ①贝叶斯线性混合效应模型:实现步骤、模型验证、多重比较 ②贝叶斯广义混合效应模型-计数数据分析:泊松、负二项、零膨胀泊松、零膨胀负二项等 案例1:睡眠时间与反应速度关系的贝叶斯线性混合效应模型 案例2:教师受欢迎程度的多变量预测-贝叶斯线性混合效应模型 案例3:虫食种子多度(计数数据)影响因素的多变量分析-贝叶斯广义混合效应模型 其他案例:贝叶斯分析计数数据过度离散、零膨胀等问题 1.嵌套型随机效应混合效应模型分析及贝叶斯实现 ①数据分层问题及嵌套型随机效应混合效应模型介绍 ②嵌套型随机效应混合效应模型分析步骤及流程及模型选择(MuMIn) ③嵌套型随机效应混合效应模型的方差分解:ICC、varcomp及贝叶斯法 ④经典方差分解案例讲解 案例1:不同种类海豚年龄多因素预测模型及模型选择(MuMIn)- 嵌套结构 案例2:纲/科/属/种型嵌套随机效应的方差分解及贝叶斯方法 案例3:物种属性可塑性和基因多样性对物种丰富度影响的相对贡献-全模型变差分解 2.时间相关数据分析及贝叶斯实现 ①回归模型的方差异质性问题及解决途径 ②时间自相关分析:线性及混合效应模型及贝叶斯方法 ③时间自相关+方差异质性分析及贝叶斯实现 案例1:模拟数据方差异质性问题-gls,lmm及brms方法比较 案例2:鸟类多度变化的时间自相关分析-gls vs brms 案例3:资源脉冲与食谱关系分析:方差异质性+时间相关-lmm vs brms 3.空间相关数据分析及贝叶斯实现 ①空间自相关概述 ②空间自相关问题解决方式:自相关修正参数、空间距离权重法、空间邻接权重法 ③空间自相关问题修正基本流程-gls和lme ④空间自相关贝叶斯修正-空间距离权重 VS 空间邻接权重 案例1:北方林物种多样性与气候关系-一般线性回归模型空间自相关问题修正 案例2:全球水鸟巢穴捕食率影响因素分析-混合效应模型空间自相关问题修正 4.系统发育相关数据分析及贝叶斯实现 ①系统发育简介:系统发育假说、系统发育信号及系统发育树 ②系统发育树及系统发育距离矩阵构建 ③系统发育信息纳入回归模型-广义最小二乘(gls) ④系统发育信息纳入混合效应模型(lmm/glmm)及贝叶斯方法实现案例 案例1:模拟数据-系统发育相关对物种属性影响-gls vs brms 案例2:全球水鸟巢穴捕食率影响因素分析-系统发育混合效应模型:lmm vs brms 1.“线性”回归的含义及非线性关系的判定 2.广义可加(混合效应)(GAM/GAMM)模型及贝叶斯实现 3.非线性(混合效应)(NLM/NLMM)模型及贝叶斯实现 注:请提前自备电脑及安装所需软件 更多应用包含:Python机器学习、数据挖掘、PyTorch机器学习、MATLAB机器学习、R语言【Tidyverse、Tidymodel】、地理加权回归、结构方程模型、贝叶斯网络模型、混合效应(多水平层次嵌套)模型、Copula变量相关性、极值统计学、分位数回归、网络爬虫、科研数据可视化、Nvivo、Citespace和vosviewer文献计量学、AI人工智能等... ★关 注【科研充电吧】公 众 号,获取海量教程和资源★ 让GPT成为您的科研加速器丨GPT引领前沿与应用突破之GPT4科研实践技术与AI绘图-CSDN博客GPT对于每个科研人员已经成为不可或缺的辅助工具,不同的研究领域和项目具有不同的需求。如在科研编程、绘图领域。让大量科研学者融合学科应用,积累技术经验,让学习不盲从,让GPT成为您真正的科研助手。您准备开始学习了吗? |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |