一般线性混合效应 (glmer) 异方差建模

Question

我的变量是在具有二次抽样设计的随机区组上测量的，我的处理方法是 23 Accesion。我有 3 个完整的块和每个块 6 个样本。示例数据帧有 4 个响应变量（LH、REN、FTT、DFR）、Accesion（处理）、Bloque（块编号）和 Plot（即用于子采样的变量）。数据的头部是：

  Plot Accesion Bloque   LH  REN FTT DFR
1  221       22      1 20.6 1127  23  88
2  221       22      1 20.5 1638  20  88
3  221       22      1 24.5 1319  16  88
4  221       22      1 21.4  960  17  88
5  221       22      1 25.7 1469  18  88
6  221       22      1 25.8 1658  21  88

因此，在所有类型的转换（log、boxcox、幂等）之后，几乎所有 100 个响应变量的数据都是非正态和异方差的。大多数变量显示卡方或类泊松分布，每个 Accesion 具有不同的方差。

到目前为止，我一直致力于使用 FTT 上的 glmer() 作为响应变量，使用泊松运行广义线性模型效应。我正在使用此代码：

FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc,   
family=poisson(link="identity"))

根据 shapiro.test()，残差是非正态的。我认为，这是因为在残差中观察到的异方差性。作为 Accesion 残差的箱线图，显示了方差的差异：

预计植物种群之间存在异方差性，但我知道它可以在 glme 内部建模。正如我已经调查过的，我应该添加的代码是：

vf <- varIdent(form=~Accesion)

FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc,   
family=poisson(link="identity"), weights = vf)

我希望不同的差异能够解释每个加入类别。但我不断收到错误：

Error in model.frame.default(data = Lyc, weights = varIdent(form = ~Accesion),  : 
  variable lengths differ (found for '(weights)')

有谁知道如何解释glmer() 内的 Accesions 之间的差异差异？

也欢迎任何其他分析数据的建议。

Answer 1

我已经解决了这个问题。在 glmer() 中， weights 参数对应于与原始向量长度相同的向量。为了模拟异方差性，我生成了一个方差数据框：

VAR<-aggregate(Lyc[,6],by=list(Lyc$Accesion), var)
colnames(VAR)<-c("Accesion", "Var")

这会产生一个数据框处理/方差，它的头部是：

 Accesion       Var
1       22  4.369281
2       23 16.251634
3       24 13.911765
4       25 15.404412
5       26 15.895833
6       27 44.838095

然后我创建一个合并两个数据框的新数据框

Lyc2<-merge(VAR, Lyc, by="Accesion")

正如我看到做错了 1 次，需要使用逆方差来纠正方差。

Lyc2$Var<-(1/Lyc2$Var)

在所有数据步骤之后，我运行代码：

FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc2,    
family=poisson(link="log"), weights = Lyc2$Var)

这解决了差异问题：