Question

我正在尝试模拟使用以下公式表示的模型的数据：
lme4::lmer(y ~ a + b + (1|subject), data)，但具有一组给定的参数：

a <- rnorm()以subject级（例如nSubjects = 50）衡量
y是在观察级别（例如，每个nObs = 7的{{1}}
subject在b <- rnorm()级别进行测量，并在给定的observation与r之间建立关联
a中随机效应的变异率固定为例如50/50或10/90（依此类推）
存在一些随机噪声（因此完整的模型无法解释所有方差）
固定效果的效果大小可以设置为预定义的级别（例如lmer(y ~ 1 + (1 | subject), data)）

我使用了dCohen=0.5，powerlmm或simstudy之类的各种程序包，但仍然找不到能够容纳我想预先定义的参数数量的有效解决方案。

出于我的学习目的，我更喜欢基础R方法而不是软件包解决方案。

我找到的最接近的示例是Ben Ogorek "Hierarchical linear models and lmer"的博客帖子，看起来不错，但是我不知道如何控制上面列出的参数。

任何帮助将不胜感激。另外，如果有我不知道的软件包可以进行此类模拟，请告诉我。

Answer 1

有关模型定义的一些问题：

我们如何指定两个不同长度的随机向量之间的相关性？我不确定：我将采样350个值（nObs*nSubject）并丢弃大部分值以达到主体级效果。
不确定此处的“差异比率”。根据定义，theta参数（随机效应的标准偏差）由残差标准偏差（sigma）缩放，例如如果sigma=2，theta=2，则剩余std dev为2，而主体间std dev为4

定义参数/实验设计值：

nSubjects <- 50
nObs <- 7
## means of a,b are 0 without loss of generality
sdvec <- c(a=1,b=1)
rho <- 0.5  ## correlation
betavec <- c(intercept=0,a=1,b=2)
beta_sc <- betavec[-1]*sdvec  ## scale parameter values by sd
theta <- 0.4  ## = 20/50
sigma <- 1

设置数据框：

library(lme4)      
set.seed(101)
## generate a, b variables
mm <- MASS::mvrnorm(nSubjects*nObs,
          mu=c(0,0),
          Sigma=matrix(c(1,rho,rho,1),2,2)*outer(sdvec,sdvec))
subj <- factor(rep(seq(nSubjects),each=nObs))  ## or ?gl
## sample every nObs'th value of a
avec <- mm[seq(1,nObs*nSubjects,by=nObs),"a"]
avec <- rep(avec,each=nObs)  ## replicate
bvec <- mm[,"b"]
dd <- data.frame(a=avec,b=bvec,Subject=subj)

模拟：

dd$y <- simulate(~a+b+(1|Subject),
               newdata=dd,
               newparams=list(beta=beta_sc,theta=theta,sigma=1),
               family=gaussian)[[1]]

使用预定义参数

1 个答案: