복합 대칭 인 경우 (0 + factor) 및 (1 | group) + (1 | group : factor) 랜덤 효과 사양의 동등성

Douglas Bates는 다음 모델이 "벡터 값 랜덤 효과에 대한 분산 공분산 행렬에 복합 대칭이라는 특수한 형태가있는 경우"( 이 프레젠테이션의 슬라이드 91)에 해당 한다고 설명 합니다.

m1 <- lmer(y ~ factor + (0 + factor|group), data)
m2 <- lmer(y ~ factor + (1|group) + (1|group:factor), data)

특히 Bates는이 예제를 사용합니다.

library(lme4)
data("Machines", package = "MEMSS")

m1a <- lmer(score ~ Machine + (0 + Machine|Worker), Machines)
m2a <- lmer(score ~ Machine + (1|Worker) + (1|Worker:Machine), Machines)

해당 출력으로 :

print(m1a, corr = FALSE)

Linear mixed model fit by REML ['lmerMod']
Formula: score ~ Machine + (0 + Machine | Worker)
   Data: Machines
REML criterion at convergence: 208.3112
Random effects:
 Groups   Name     Std.Dev. Corr     
 Worker   MachineA 4.0793            
          MachineB 8.6253   0.80     
          MachineC 4.3895   0.62 0.77
 Residual          0.9616            
Number of obs: 54, groups:  Worker, 6
Fixed Effects:
(Intercept)     MachineB     MachineC  
     52.356        7.967       13.917  

print(m2a, corr = FALSE)

Linear mixed model fit by REML ['lmerMod']
Formula: score ~ Machine + (1 | Worker) + (1 | Worker:Machine)
   Data: Machines
REML criterion at convergence: 215.6876
Random effects:
 Groups         Name        Std.Dev.
 Worker:Machine (Intercept) 3.7295  
 Worker         (Intercept) 4.7811  
 Residual                   0.9616  
Number of obs: 54, groups:  Worker:Machine, 18; Worker, 6
Fixed Effects:
(Intercept)     MachineB     MachineC  
     52.356        7.967       13.917

누구든지 모델의 차이점과 직관적 인 방식으로 m1축소 된 m2(복합 대칭) 방법을 설명 할 수 있습니까 ?

$I_n$$n$$1_n$$n$$y$$\mu$$\gamma$$\gamma$$y$

$$y \sim \mathcal{N}(\mu + \gamma, \sigma^2_y I_{54})$$

$\sigma^2_y$

$\gamma$

$$y \sim \mathcal{N}(\mu, \sigma^2_y I_{54} + \Sigma)$$

$\Sigma$$\gamma$$\Sigma$

m1

$$\gamma = Z \theta$$

$Z = I_{18} \otimes 1_3$$\theta^T = [\theta_{1,A}, \theta_{1,B}, \theta_{1,C} \dots \theta_{6,A}, \theta_{6,B}, \theta_{6,C}]$

$$\theta \sim \mathcal{N}(0, I_6 \otimes \Lambda)$$

$\Lambda$$\Lambda$$\sigma_\theta$$\tau$

$$\Lambda = \left[\begin{matrix} \sigma^2_\theta + \tau^2 & \tau^2 & \tau^2 \\ \tau^2 & \sigma^2_\theta + \tau^2 & \tau^2 \\ \tau^2 & \tau^2 & \sigma^2_\theta + \tau^2 \end{matrix}\right]$$

$\Lambda$

$\Sigma = Z (I_6 \otimes \Lambda) Z^T$$\sigma^2_\theta + \tau^2 + \sigma^2_y$$i, j$$u, v$

$$\mathrm{cov}(y_{i,u}, y_{j,v}) = \begin{cases} 0 & \text{if } i\neq j \\ \tau^2 & \text{if } i=j, u\neq v \\ \sigma^2_\theta + \tau^2 & \text{if } i=j, u=v \end{cases}$$

의 경우 m2랜덤 효과는 다음 과 같이 분해됩니다.

$$\gamma = Z \omega + X \eta$$

$X = I_6 \otimes 1_9$$\omega^T = [\omega_{1,A}, \omega_{1,B}, \omega_{1,C}, \dots, \omega_{6,A}, \omega_{6,B}, \omega_{6,C}]$$\eta^T = [\eta_{1}, \dots, \eta_{6}]$

$$\eta \sim \mathcal{N}(0, \sigma^2_\eta I_6)$$ $$\omega \sim \mathcal{N}(0, \sigma^2_\omega I_{18})$$ $\sigma_\eta^2, \sigma_\omega^2$

m2$\Sigma = \sigma^2_\omega Z Z^T + \sigma^2_\eta X X^T$$\sigma^2_\omega + \sigma^2_\eta + \sigma^2_y$$i, j$$u, v$

$$\mathrm{cov}(y_{i,u}, y_{j,v}) = \begin{cases} 0 & \text{if } i\neq j \\ \sigma_\eta^2 & \text{if } i=j,u\neq v \\ \sigma^2_\omega + \sigma^2_\eta & \text{if } i=j,u=v \end{cases}$$

$\sigma^2_\theta \equiv \sigma^2_\omega$$\tau^2 \equiv \sigma^2_\eta$ m1

간결함은 저의 장점이 아닙니다. 이것은 각 모델이 랜덤 효과에 대해 두 가지 분산 매개 변수를 가지고 있으며 동일한 "마진"모델을 작성하는 두 가지 다른 방법이라는 말의 길고 복잡한 방법입니다.

코드에서 ...

sigma_theta <- 1.8
tau         <- 0.5
sigma_eta   <- tau
sigma_omega <- sigma_theta
Z <- kronecker(diag(18), rep(1,3))
rownames(Z) <- paste(paste0("worker", rep(1:6, each=9)), 
                     rep(paste0("machine", rep(1:3, each=3)),6))
X <- kronecker(diag(6), rep(1,9))
rownames(X) <- rownames(Z)
Lambda <- diag(3)*sigma_theta^2 + tau^2

# marginal covariance for m1:
Z%*%kronecker(diag(6), Lambda)%*%t(Z)
# for m2:
X%*%t(X)*sigma_eta^2 + Z%*%t(Z)*sigma_omega^2