Информация в вопросе о модели, предлагаемая для указания fixed = y ~ 1 + x
и random = ~ us(1 + x):cluster
. С us()
вы позволить случайные эффекты коррелируют (раздел 3.4 см и в таблице 2, в Hadfield's 2010 jstatsoft-article)
Прежде всего, как вы есть только один зависимую переменную (y
), в G участие в предшествующем уровне (ср уравнение 4 и раздел 3.6 в Hadfield's 2010 jstatsoft-article) для дисперсии (ов) случайных эффектов должен иметь только один элемент списка, называемый G1
. Этот элемент списка не является фактическим предыдущим распределением - это было указано Hadfield как inverse-Wishart distribution. Но с G1
вы задаете параметры этого распределения обратного Whishart, которые являются масштаб матрица ( в Википедии и обозначениях V
в MCMCglmm
нотации) и степени свободы ( в Википедии нотации и nu
в MCMCglmm
обозначениях). Поскольку у вас есть два случайных эффекта (перехват и наклон), V
должен быть матрицей 2 x 2. Частым выбором является двумерная тождественная матрица diag(2)
. Хэдфилда часто использует nu = 0.002
для степеней свободы (см his course notes)
Теперь, вы также должны указать R части в предшествующем для остаточной дисперсии. Здесь снова Haidfield задает обратное-Whishart-распределение, оставляя пользователя указывать его параметры. Поскольку мы имеем только одну остаточную дисперсию, V
должен быть скаляром (скажем, V = 0.5
). Дополнительным элементом для R
является fix
. С помощью этого элемента вы указываете, должна ли остаточная дисперсия фиксироваться на определенное значение (чем вы должны писать fix = TRUE
или fix = 1
) или нет (тогда fix = FALSE
или fix = 0
). Обратите внимание, что вы не фиксируете остаточную дисперсию как 0.5
по fix = 0.5
! Поэтому, когда вы найдете в примечаниях к курсу Хадфилда fix = 1
, прочитайте его как fix = TRUE
и посмотрите, какое значение V
было исправлено.
Все togehter мы создали предшествующее следующим образом:
prior0 <- list(G = list(G1 = list(V = diag(2), nu = 0.002)),
R = list(V = 0.5, nu = 0.002, fix = FALSE))
С этого до мы можем запустить MCMCglmm
:
library("MCMCglmm") # for MCMCglmm()
set.seed(123)
mod0 <- MCMCglmm(fixed = y ~ 1 + x,
random = ~ us(1 + x):cluster,
data = dat,
family = "categorical",
prior = prior0)
Розыгрыши из Гиббса-пробоотборник для фиксированных эффектов найдено в mod0$Sol
, ничьи для параметров дисперсии в mod0$VCV
.
Обычно бином модель требует остаточной дисперсии, чтобы быть фиксированной, поэтому мы устанавливаем остаточная дисперсия будет зафиксирована на уровне 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)
Различие можно видеть при сравнении с mod0$VCV[, 5]
mod1$VCV[, 5]
. В последнем случае все записи: 0.5
, как указано.