【原】混合線性模型如何檢測固定因子和隨機(jī)因子的顯著性以及計算R2

育種數(shù)據(jù)分析 2021-11-18

展開全文

很多朋友寫信問我，像要知道固定因子的顯著性和隨機(jī)因子的顯著性如何計算，他們使用的是lme4這個R包, 但是這個包使用anova時沒有P值,還要手動計算, 隨機(jī)因子也需要自己計算loglikehood值, 然后使用LRT的卡方檢驗進(jìn)行顯著性檢驗, 其實(shí)lme4包有擴(kuò)展的包可以非常友好的做這件事情.

1. 載入數(shù)據(jù)和軟件包

###載入軟件包和數(shù)據(jù)library(lme4)library(lmerTest)library(sjstats)library(learnasreml)data(fm)

2. 軟件包介紹

lme4

R語言中最流行的混合線性包
結(jié)果不太友好, 所以才有下面兩個包作為輔助
安裝方法
install.packages("lme4")

lmerTest

主要是用于檢測lme4對象的固定因子和隨機(jī)因子,它有兩個函數(shù):
lmerTest::anova.lmerModLmerTest用于檢測固定因子的顯著性, 方差分析表采用III平方和的形式.
lmerTest::ranova用于檢測隨機(jī)因子的顯著性, 使用的是LRT檢驗, 給出的是卡方結(jié)果.
安裝方法

install.packages("lmerTest")

sjstats

可以計算R2
可以提取方差組分
安裝方法

install.packages("lmerTest")

3. 使用lme4進(jìn)行混合線性分析

模型介紹

固定因子: Spacing + Rep
隨機(jī)因子: Fam

建模

固定因子: Spacing+Rep, 隨機(jī)因子: Fam

fm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)

固定因子檢驗

anova(fm1) # 固定因子顯著性檢驗

可以看到Spacing 和Rep都達(dá)到極顯著

隨機(jī)因子顯著性檢驗

ranova(fm1) # 隨機(jī)因子顯著性檢驗,LRT

可以看到Fam達(dá)到極顯著

計算R2

r2(fm1) # 計算R2R-Squared for Generalized Linear Mixed Model

[34mFamily : gaussian (identity)Formula: h1 ~ Spacing + Rep + (1 | Fam)

[39m Marginal R2: 0.116Conditional R2: 0.277

計算固定因子每個水平的P值

p_value(fm1) # 計算每個水平的顯著性

term	p.value	std.error
(Intercept)	1.535094e-127	0.7915991
Spacing3	4.957481e-09	0.5463546
Rep2	2.886600e-01	0.8082299
Rep3	7.443430e-08	0.8218056
Rep4	1.720753e-10	0.7995633
Rep5	4.635631e-01	0.7663026

提取方差組分

re_var(fm1) # 計算方差組分_sigma_2 50.7633345854535

Fam_tau.00 11.3168413429073

4. 使用asreml進(jìn)行對照

建模

library(asreml)fm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm,trace=F)

固定因子檢驗

anova(fm2) # 固定因子顯著性檢驗, 這里anova 是anova.asreml

隨機(jī)因子顯著性檢驗

這里首先構(gòu)建一個空模型, 然后使用LRT檢驗

fm_Null = asreml(h1 ~ Spacing + Rep, data=fm,trace=F)lrt.asreml(fm2,fm_Null) # 隨機(jī)因子顯著性檢驗LRT

summary(fm2)$varcomp[,1:2] # 方差組分

5. 關(guān)于混合線性模型計算R2

還有一個包叫MuMIn,也可以計算R2

library(MuMIn)r.squaredLR(fm1)#計算R2

0.217233511687581

6. 完整代碼分享

# 混合線性模型, 如何檢測固定因子和隨機(jī)因子

###載入數(shù)據(jù)library(lme4)library(lmerTest)library(sjstats)library(learnasreml)data(fm)str(fm)

### 固定因子: Spacing+Rep, 隨機(jī)因子: Famfm1 <- lmer(h1 ~Spacing + Rep + (1|Fam), fm)summary(fm1)

anova(fm1) # 固定因子顯著性檢驗ranova(fm1) # 隨機(jī)因子顯著性檢驗,LRT

r2(fm1) # 計算R2

p_value(fm1) # 計算每個水平的顯著性

re_var(fm1) # 計算方差組分

### 對比asremlfm2 = asreml(h1 ~ Spacing + Rep, random = ~ Fam, data=fm)anova(fm2) # 固定因子顯著性檢驗, 這里anova 是anova.asremlfm_Null = asreml(h1 ~ Spacing + Rep, data=fm)lrt.asreml(fm2,fm_Null) # 隨機(jī)因子顯著性檢驗LRTsummary(fm2)$varcomp[,1:2] # 方差組分

library(MuMIn)r.squaredLR(fm1)#計算R2

混合線性模型介紹--Wiki

GLMM：廣義線性混合模型

R語言混合線性模型包代碼演示