针对性别和年龄调整的纵向数据线性混合模型

时间:2019-06-20 18:11:16

标签: r mixed-models

我是线性混合模型的新手,所以我有很多东西要学习。我有一个蛋白质的纵向数据,在三年中测量了三次(T0,T1,T2)。在3个独立的组(A,B,C)中测量该蛋白质。另外,我也有年龄和性别的数据。我想测试一下,在调整了年龄和性别之后,三组中的每组中的蛋白质是否随时间变化显着。

我只尝试对其中一个组(C组)进行R检验,以蛋白质为因变量,以时间,年龄和性别为固定因子,以个体为随机因子。但是我不确定将控制因素(年龄和性别)作为固定因素是否正确。另外,是否可以在模型中的三个组之间进行比较?将个体作为随机因素是否已经解决了个体差异,例如年龄和性别,这样我就不必在固定因素中考虑它们了?

我得到的随机效应相关系数为-0.77,这意味着一个人的基线蛋白值越高,接下来的几年中该人的蛋白水平下降的可能性就越大,对吗?

感谢任何帮助!

Mymodel <- lmer(Protein ~ Time + Gender + Age + (1 + Time | Number), db)

Linear mixed model fit by REML ['lmerMod']

Formula: 
Protein ~ Time + Gender + Age + (1 + Time | Individual)
   Data: db

REML criterion at convergence: 497.9

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-1.7724 -0.4344 -0.2301  0.3581  2.1297 

Random effects:
 Groups        Name        Variance Std.Dev. Corr 
 Individual   (Intercept) 133.598  11.558        
              Time          5.981   2.446   -0.77
 Residual                  26.496   5.147        
Number of obs: 73, groups:  Number, 27

Fixed effects:
                 Estimate Std. Error t value
(Intercept)      -17.9939    19.4572  -0.925
Time              -1.6335     0.9283  -1.760
GenderMale        -0.5786     3.6547  -0.158
Age                0.7455     0.3091   2.411

Correlation of Fixed Effects:
            (Intr) Time   GndrMl
Time        -0.133              
GenderMale   0.268  0.007       
Age         -0.986  0.020 -0.353

0 个答案:

没有答案