モデルに関する質問の情報は、fixed = y ~ 1 + x
とrandom = ~ us(1 + x):cluster
と指定することを推奨します。 us()
を使用すると、あなたが唯一の従属変数(y
)を持っているようなランダム効果は、(参照:セクション3.4およびHadfield's 2010 jstatsoft-articleの表2)すべての
まず相関することが以前(CFでG一部を許可します(式4およびセクション3.6のHadfield's 2010 jstatsoft-article)には、G1
という1つのリスト要素が必要です。このリスト要素は実際の事前分布ではなく、Hadfieldによってinverse-Wishart distributionと指定されています。しかしG1
で、あなたはスケール行列(Wikipediaの表記とMCMCglmm
表記でV
で)と自由度(Wikipediaの表記とMCMCglmm
表記でnu
で)あるこの逆Whishart分布のパラメータを指定します。 2つのランダムな効果(切片と勾配)があるので、V
は2 x 2の行列でなければなりません。頻繁な選択は、二次元の単位行列diag(2)
です。ハドフィールドは、多くの場合、自由度のために(参照his course notes)今
をnu = 0.002
を使用して、あなたはまた、残差分散のために事前にR一部を指定する必要があります。この場合も、Hadfieldによって逆Whishart分布が指定され、ユーザはそのパラメータを指定する必要があります。残差分散が1つしかないので、V
はスカラーでなければなりません(V = 0.5
と言うことができます)。 R
のオプション要素はfix
です。この要素を使用して、残差分散を特定の値に固定するか(fix = TRUE
またはfix = 1
を書かなければならないか)(fix = FALSE
またはfix = 0
)を指定します。残差分散を0.5
に固定しないことに注意してください。fix = 0.5
!ですから、Hadfieldのコースノートfix = 1
で見つけた場合はfix = TRUE
と読んで、V
の値が修正されていることを確認してください。これにより
prior0 <- list(G = list(G1 = list(V = diag(2), nu = 0.002)),
R = list(V = 0.5, nu = 0.002, fix = FALSE))
を我々はMCMCglmm
を実行することができます前:
library("MCMCglmm") # for MCMCglmm()
set.seed(123)
mod0 <- MCMCglmm(fixed = y ~ 1 + x,
random = ~ us(1 + x):cluster,
data = dat,
family = "categorical",
prior = prior0)
固定効果があるためにザ・はギブスサンプラーから描く、我々は次の前のように設定すべてtogehter
mod0$Sol
にある場合、分散パラメータの値はmod0$VCV
になります。
は、通常、二項モデルは、固定される残差分散を必要とするので、我々は、残留分散がmod1$VCV[, 5]
にmod0$VCV[, 5]
を比較することによって見ることができる0.5
set.seed(123)
prior1 <- list(G = list(G1 = list(V = diag(2), nu = 0.002)),
R = list(V = 0.5, nu = 0.002, fix = TRUE))
mod1 <- MCMCglmm(fixed = y ~ 1 + x,
random = ~ us(1 + x):cluster,
data = dat,
family = "categorical",
prior = prior1)
差に固定されるように設定しました。後者の場合、すべてのエントリは指定された通り0.5
です。