2016-10-23 6 views
0

Ich versuche, eine MCMCglmm der ArtWas sind "Merkmal: Einheiten" und "Varianz.Funktion (Merkmal): Einheiten" in "MCMCglmm"?

df=data.frame(y=rep(c(0:2),each=12),x=rnorm(3*12)) 
MCMCglmm(data=df,fixed=y~x, family="categorical") 

und ich die Fehlermeldung

For error structures involving catgeorical data with more than 2 categories pleasue use trait:units or variance.function(trait):units. 

ich Jarrod Hadfield's course notes einen kurzen Blick hatte bekommen durchzuführen, aber und seine nicht viel Spezifikation über diese Notation finden Bedeutung.

Was bedeuten die Notationen trait:units und variance.function(trait):units? Wie würde man sie normalerweise benutzen?

Ich begrüße Sie zum Beispiel

m <- MCMCglmm(LetVerb ~ -1 + trait + trait:(Channel + CrSem + MS), 
random = ~us(trait):Vinf, rcov = ~ us(trait):units, data = letting, 
family = "categorical", prior = priors, verbose = TRUE, burnin = 
10000, nitt = 60000, thin = 50) 

von der dritten Seite dieses tutorial

+0

Haben Sie jemals eine Lösung für Ihre Frage gefunden? Das gleiche Problem haben. – xv70

+1

Ich wäre nicht in der Lage, eine Antwort zu erarbeiten, so viel von MCMCglmm internen Mechanismus ist immer noch sehr dunkel für mich, aber ich habe es geschafft, mein Problem zu beheben. Ich endete mit einem Prior wie 'previous <- Liste (R = Liste (V = diag (n-1), nu = 0.02, fix = 1))', wobei 'n' die Anzahl der Ebenen der Antwortvariablen ist . Der Lauf ist dann MCMCglmm ( data = myData, fixed = Antwort ~ Merkmal: (expl1) + Merkmal: (expl2), rcov = ~ us (Merkmal): Einheiten, family = "categorical", prior = prior) ' –

Antwort

0

Für die Notation Frage den Befehl betrachten, ist meine Antwort auf einen ähnlichen Beitrag here sehen.

Alle Antworten auf Ihre Fragen sind tatsächlich in Jarrod Hadfield Kurs Notizen. Sie werden die Spezifikation der Restvarianzen für multinomiale Modelle in Abschnitt 5 lesen müssen. Aber kurz, die Option rcov = ~ us(trait):units ermöglicht es, eine unbegrenzte Restvarianzstruktur zu modellieren, d. h. die Restvarianzen für verschiedene Antwortkategorien können dadurch heteroskedastisch (mit unterschiedlichen Varianzen für verschiedene Kategorien) und nicht-sphärisch modelliert werden (wodurch jegliche paarweise Kategorie-Restkovarianzen nicht von Null verschieden sein können).