R语言线性混合效应模型实战案例数据挖掘深度学习机器学习算

原文链接： http://tecdat.cn/?p=3364 原文出处：拓端数据部落公众号加载R包和数据集加载包后，我们将此数据集中包含的12个心情变量进行子集化：

mood\_data <- as.matrix(symptom\_data$data\[, 1:12\]) # 子集变量 mood\_labels <- symptom\_data$colnames\[1:12\] # 子集变量标签 colnames(mood\_data) <- mood\_labels time\_data <- symptom\_data$data_time

对象mood_data是一个1476×12矩阵，测量了12个心情变量：

> dim(mood_data) \[1\] 1476 12 > head(mood_data\[,1:7\]) Relaxed Down Irritated Satisfied Lonely Anxious Enthusiastic \[1,\] 5 -1 1 5 -1 -1 4 \[2,\] 4 0 3 3 0 0 3 \[3,\] 4 0 2 3 0 0 4 \[4,\] 4 0 1 4 0 0 4 \[5,\] 4 0 2 4 0 0 4 \[6,\] 5 0 1 4 0 0 3

time_data包含有关每次测量的时间戳的信息。数据预处理需要此信息。

> head(time_data) date dayno beepno beeptime resptime\_s resptime\_e time_norm 1 13/08/12 226 1 08:58 08:58:56 09:00:15 0.000000000 2 14/08/12 227 5 14:32 14:32:09 14:33:25 0.005164874 3 14/08/12 227 6 16:17 16:17:13 16:23:16 0.005470574 4 14/08/12 227 8 18:04 18:04:10 18:06:29 0.005782097 5 14/08/12 227 9 20:57 20:58:23 21:00:18 0.006285774 6 14/08/12 227 10 21:54 21:54:15 21:56:05 0.006451726

该数据集中的一些变量是高度偏斜的，这可能导致不可靠的参数估计。在这里，我们通过计算自举置信区间（KS方法）和可信区间（GAM方法）来处理这个问题，以判断估计的可靠性。由于本教程的重点是估计时变VAR模型，因此我们不会详细研究变量的偏度。然而，在实践中，应该在拟合（时变）VAR模型之前始终检查边际分布。
估计时变VAR模型通过参数lags = 1，我们指定拟合滞后1 VAR模型，并通过lambdaSel =“CV”选择具有交叉验证的参数λ。最后，使用参数scale = TRUE，我们指定在模型拟合之前，所有变量都应标准化。当使用“1正则化”时，建议这样做，因为否则参数惩罚的强度取决于预测变量的方差。由于交叉验证方案使用随机抽取来定义，因此我们设置种子以确保重现性。
在查看结果之前，我们检查了1476个时间点中有多少用于估算，这在调用输出对象的摘要中显示

> tvvar_obj mgm fit-object Model class: Time-varying mixed Vector Autoregressive (tv-mVAR) model Lags: 1 Rows included in VAR design matrix: 876 / 1475 ( 59.39 %) Nodes: 12 Estimation points: 20

估计的VAR系数的绝对值存储在对象tvvar_obj $ wadj中，该对象是维度p×p×滞后×estpoints的数组。
参数估计的可靠性

res\_obj <- resample(object = tvvar\_obj, data = https://www.it610.com/article/mood_data, nB = 50, blocks = 10,seeds = 1:50, quantiles = c(.05, .95))

res_obj $ bootParameters包含每个参数的经验采样分布。
计算时变预测误差函数predict（）计算给定mgm模型对象的预测和预测误差。
预测存储在pred\_obj $预测中，并且所有时变模型的预测误差组合在pred\_obj中：

> pred_obj$errors Variable Error.RMSE Error.R2 1 Relaxed 0.939 0.155 2 Down 0.825 0.297 3 Irritated 0.942 0.119 4 Satisfied 0.879 0.201 5 Lonely 0.921 0.182 6 Anxious 0.950 0.086 7 Enthusiastic 0.922 0.169 8 Suspicious 0.818 0.247 9 Cheerful 0.889 0.200 10 Guilty 0.928 0.175 11 Doubt 0.871 0.268 12 Strong 0.896 0.195

可视化时变VAR模型可视化上面估计的一部分随时间变化的VAR参数：

# 两个网络图# 获取均值图的布局 Q <- qgraph(t(mean_wadj), DoNotPlot=TRUE) saveRDS(Q$layout, "Tutorials/files/layout_mgm.RDS")#在选定的固定时间点绘制图形 tpSelect <- c(2, 10, 18)# tvvar\_obj$edgecolor\[, , , \]\[tvvar\_obj$edgecolor\[, , , \] == "darkgreen"\] <- c("darkblue") lty_array <- array(1, dim=c(12, 12, 1, 20)) lty\_array\[tvvar\_obj$edgecolor\[, , , \] != "darkblue"\] <- 2for(tp in tpSelect) { qgraph(t(tvvar_obj$wadj\[, , 1, tp\]), layout = Q$layout, edge.color = t(tvvar_obj$edgecolor\[, , 1, tp\]), labels = mood_labels, vsize = 13, esize = 10, asize = 10, mar = rep(5, 4), minimum = 0, maximum = .5, lty = t(lty_array\[, , 1, tp\]), pie = pred_obj$tverrors\[\[tp\]\]\[, 3\]) }

文章图片

CIs <- apply(res\_obj$bootParameters\[par\_row\[1\], par_row\[2\], 1, , \], 1, function(x) { quantile(x, probs = c(.05, .95)) } )# 绘图阴影 polygon(x = c(1:20, 20:1), y = c(CIs\[1,\], rev(CIs\[2,\])), col=alpha(colour = cols\[i\], alpha = .3), border=FALSE)} #

文章图片
图显示了上面估计的时变VAR参数的一部分。顶行显示估计点8,15和18的VAR参数的可视化。蓝色实线箭头表示正关系，红色虚线箭头表示负关系。箭头的宽度与相应参数的绝对值成比例。
如果您有任何疑问，请在下面发表评论。

文章图片

最受欢迎的见解
1.R语言多元Logistic逻辑回归应用案例
2.面板平滑转移回归(PSTR)分析案例实现分析案例实现")
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R语言泊松Poisson回归模型分析案例
【R语言线性混合效应模型实战案例】5.R语言回归中的Hosmer-Lemeshow拟合优度检验
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.在R语言中实现Logistic逻辑回归
8.python用线性回归预测股票价格
9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标