我正在尝试使用以下代码实现线性混合模型。 is.ill是一个二元响应变量，我试图为我的数据集中的每个基因预测这个。
for (gene in 1:122) {
nlme.m1 <- lme(is.ill ~ pulse + age + gender + data[,gene], random = ~1|pulse)
lmm_analysis = summary(nlme.m1)
}
但是由于错误，此代码现在失败了：
Error in model.frame.default(formula = ~is.ill + pulse + :
invalid type (list) for variable 'data'
数据是331 x 122，但我看不出问题是什么？
以下是输出：
str(data)
'data.frame': 331 obs. of 122 variables:
$ A0000004: num 0.616 0.543 0.486 0.326 0.378 ...
$ A0000005: num 1.96 2.05 1.98 1.94 2 ...
$ A0000007: num 0.659 0.588 0.769 0.628 0.464 ...
$ A0000002: num 0.1761 0.0864 0.1492 0.1673 0.2455 ...
$ A0000008: num 0.185 0.117 0.79 0.117 0.117 ...
$ A0000010: num 0.143 0.49 0.49 0.587 0.243 ...
$ A0000011: num 2.2 1.5 1.34 1.27 1.77 ...
$ A0000013: num -0.25 -0.304 -0.467 -0.372 -0.544 ...
$ A0000018: num 2.16 2.06 1.97 1.99 1.87 ...
$ A0000021: num 2.19 2.27 2.28 2.26 2.48 ...
$ A0000022: num 1.068 0.958 1.049 0.966 1.061 ...
$ A0000023: num 0.3945 0.0414 0.1072 0.0607 0.1367 ...
$ A0000025: num 1.111 1.111 1.401 0.831 0.799 ...
$ A0000027: num 1.44 1.36 1.47 1.29 1.56 ...
$ A0000030: num 0.0569 -0.1107 0.0755 -0.0964 0.1875 ...
$ A0000032: num 0.155 0.267 0.885 0.713 0.769 ...
$ A0000035: num 0.0828 -0.2596 -0.068 -0.1244 0.0607 ...
$ A0000036: num 0.4654 0.0294 0.1139 -0.1379 0.4281 ...
$ A0000038: num -0.762 -0.595 -0.332 -0.374 -0.165 ...
$ A0000039: num 0.415 1.955 1.314 2.049 0.415 ...
$ A0000040: num -1.248 -0.73 -0.62 -0.662 -0.917 ...
$ A0000043: num 2.08 1.99 2.07 2.12 2.16 ...
$ A0000045: num 0.999 -0.833 -0.699 -0.907 -0.327 ...
$ A0000046: num 0.615 0.592 0.674 0.539 0.58 ...
$ A0000048: num 2.32 2.04 2.46 2.02 2.36 ...
$ A0000050: num 0.4409 0.2625 0.3139 0.0607 0.238 ...
$ A0000052: num 1.71 1.66 1.94 1.8 1.92 ...
$ A0000053: num 2.24 2.08 2.08 2.03 2.16 ...
$ A0000059: num -0.804 -0.804 -0.804 -0.804 -0.804 ...
$ A0000060: num 2.48 2.69 2.67 2.55 2.57 ...
$ A0000061: num 0.712 0.539 0.697 0.624 0.79 ...
$ A0000062: num 1.52 1.34 1.29 1.23 1.26 ...
$ A0000064: num 0.961 1.654 1.425 1.477 2.121 ...
$ A0000065: num 1.61 1.94 1.8 1.47 1.61 ...
$ A0000067: num -1.85 -1.93 -2.04 -1.93 -2.24 ...
$ A0000068: num -0.64 -0.352 -0.228 -0.147 -0.314 ...
$ A0000069: num 1.146 0.822 1.265 1.173 1.021 ...
$ A0000070: num -0.58 -0.839 0.173 0.983 -0.475 ...
$ A0000074: num 2.92 2.53 3.26 2.55 2.78 ...
$ A0000075: num -0.0306 0.0492 0.1139 0.0492 0.2201 ...
$ A0000076: num -0.368 -0.62 -0.194 -0.387 0.1 ...
$ A0000077: num 1.83 1.87 1.63 1.83 3.13 ...
$ A0000078: num 0.863 0.604 0.814 0.362 0.819 ...
$ A0000079: num 0.477 0.204 0.554 0.767 0.617 ...
$ A0000082: num 2.1 2.04 2.05 2.1 2.18 ...
$ A0000084: num 0.3598 0.3243 0.1553 0.2553 0.0453 ...
$ A0000085: num 2.33 2.3 1.65 2.24 1.14 ...
$ A0000086: num 1.62 1.65 1.53 1.78 1.21 ...
$ A0000088: num 0.276 0.236 0.19 0.124 0.204 ...
$ A0000091: num 1.12 1.03 1.31 1.12 1.16 ...
$ A0000094: num 1.73 1.84 1.8 1.73 1.69 ...
$ A0000095: num 1.72 2.05 2.01 2.02 1.77 ...
$ A0000096: num -0.0395 -0.1463 -0.1062 -0.1463 -0.1931 ...
$ A0000097: num 2.82 2.38 2.48 2.48 2.4 ...
$ A0000100: num 2.42 2.18 2.16 2.21 2.39 ...
等
答案 0 :(得分：1)
一般来说，如果模型的所有数据都包含在同一数据框中，则R'更喜欢它。不同的软件包在如何挑剔方面有所不同 - 我认为你的方法可能与lm一起工作 - 但看起来lme看起来有点麻烦。这是一种可行的方法：
制作一些测试数据：
set.seed(101)
y <- rnorm(100)
x <- runif(100)
f <- gl(10,10)
z <- data.frame(zz1=rnorm(100),zz2=rnorm(100)) ## equivalent to your 'data'
将所有数据合并为一个数据框：
d <- data.frame(x,y,f,z)
构建基础模型：没有什么额外的
m0 <- lme(y~x,random=~1|f,data=d)
将看起来像~ . + NEWNAME的公式放在一起，然后用它来更新模型：
n <- names(z)[1]
m1 <- update(m0,reformulate(c(".",n),response="."))
将此方法应用于所有列（基因）
fitList <- lapply(names(z),
function(n) update(m0,reformulate(c(".",n),response=".")))
我关注你的模型规范中的其他一些事情：
is.ill听起来像二元回应;您是否考虑过拟合广义线性混合模型（glmer包中的lme4）？pulse）作为固定效果和分组变量都是一个坏主意，尽管有一个例外，其中（1）变量是连续的（2）对变量的许多观测值进行重复测量（在这种情况下，固定效应将解释线性趋势，随机效应将解释观察的组线周围的随机变化）。