Plotten lmer Modell ohne Kovarianz Matrix

Question

Ich versuche eine Reihe von lmer Modelle für ein Papier zu plotten. Ich musste die zufällige Effektstruktur vereinfachen, indem ich die Korrelation zwischen den zufälligen Steigungen und dem Schnittpunkt abwertete (Barr et al., 2013). Wenn ich jedoch versuche, mit der Funktion sjp.lmer zu plotten, erhalte ich den folgenden Fehler:

Fehler im Array (NA, c (J, K)): 'Dims' kann nicht von Länge sein 0 Zusätzlich: Warnmeldung: In ranef.merMod (Objekt, condvar = TRUE): bedingte Abweichungen derzeit nicht über ranef zur Verfügung, wenn es mehrere Begriffe pro Faktor

gibt es eine mögliche Behelfslösung für dieses? Jede Hilfe würde sehr geschätzt werden.

Hallo Ben, Hier einige der Daten Ich arbeite mit:

> dput(df) 
 
structure(list(Subject = c(1L, 2L, 3L, 5L, 6L, 6L, 6L, 7L, 7L, 
 
7L, 8L, 8L, 8L, 9L, 9L, 9L, 10L, 10L, 11L, 11L, 11L, 12L, 12L, 
 
13L, 13L, 14L, 14L, 15L, 15L, 16L, 16L, 16L, 17L, 17L, 17L, 18L, 
 
18L, 18L, 19L, 19L, 20L, 20L, 21L, 21L, 22L, 22L, 23L, 23L, 23L, 
 
24L, 24L, 25L, 25L, 25L, 26L, 26L, 26L, 27L, 27L, 28L, 28L, 29L, 
 
29L, 29L, 30L, 31L, 32L, 33L, 34L, 35L, 36L, 37L, 38L, 39L, 40L, 
 
41L, 42L, 43L, 44L, 45L, 46L, 47L, 48L, 49L, 50L, 51L, 52L, 53L, 
 
54L, 55L, 56L, 57L, 58L, 59L, 60L, 61L, 62L, 63L, 64L, 65L, 66L, 
 
67L, 68L, 69L, 70L, 71L, 72L, 73L, 74L, 75L, 76L, 77L, 78L, 79L, 
 
80L, 81L, 82L, 83L, 84L, 85L, 86L, 87L, 88L, 89L, 90L, 91L, 92L, 
 
93L, 94L, 95L, 96L, 97L, 98L, 99L, 100L, 101L, 102L, 103L, 104L, 
 
105L, 106L, 107L, 108L, 109L, 110L, 111L, 112L, 113L, 114L, 115L, 
 
116L), A = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("1", 
 
"2"), class = "factor"), B = structure(c(1L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
 
3L, 3L), .Label = c("1", "2", "3"), class = "factor"), C = c(9.58, 
 
9.75, 15, 10.75, 13.3, 14.42, 15.5, 9.25, 10.33, 11.33, 9.55, 
 
11, 11.92, 14.25, 15.5, 16.42, 14.92, 16.17, 10.83, 11.92, 12.92, 
 
7.5, 8.5, 10.33, 11.25, 13.08, 13.83, 14.92, 15.92, 9.58, 14.83, 
 
11.92, 8.33, 9.5, 10.5, 6.8, 7.92, 9, 13.5, 10.92, 10, 11, 13, 
 
15.58, 12.92, 11.8, 5.75, 6.75, 7.83, 11.12, 12.25, 12.08, 13.08, 
 
14.58, 8.08, 9.17, 10.67, 10.6, 12.67, 7.83, 8.83, 9.67, 10.58, 
 
11.75, 7, 17.17, 11.25, 13.75, 11.83, 16.92, 8.83, 7.07, 7.83, 
 
15.08, 15.83, 16.67, 18.87, 11.92, 12.83, 7.83, 12.33, 10, 11.08, 
 
12.08, 15.67, 11.75, 15, 14.308, 15.9064, 16.161, 16.9578, 8.90197, 
 
16.2897, 9.05805, 10.5969, 5.15334, 9.1046, 14.1019, 18.9736, 
 
10.9447, 14.5455, 16.172, 6.65389, 11.3171, 12.2864, 17.9929, 
 
10.5778, 16.9195, 7.6, 7.8, 7.2, 16.7, 17, 16.5, 17, 15.1, 16, 
 
16.4, 13.8, 13.8, 14.5, 16.1, 15.8, 15, 14.1, 15, 14.7, 15, 14.5, 
 
10.8, 11.4, 11.3, 10.9, 11.2, 9.3, 10.8, 9.7, 8, 8.2, 8.2, 17.5, 
 
12.6, 11.6, 10.8, 11.8, 12.3, 16.3, 17.1, 9.626283368, 14.6, 
 
13.7), D = structure(c(2L, 1L, 1L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 
 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 
 
2L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
1L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 2L, 1L, 
 
1L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 
 
1L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 
 
1L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 
 
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("1", 
 
"2"), class = "factor"), Frontal_FA = c(0.4186705, 0.4151535, 
 
0.4349945, 0.4003705, 0.403488, 0.407451, 0.3997135, 0.38826, 
 
0.3742275, 0.3851655, 0.3730715, 0.3825115, 0.3698805, 0.395406, 
 
0.39831, 0.4462415, 0.413532, 0.419088, 0.4373975, 0.4633915, 
 
0.4411375, 0.3545255, 0.389322, 0.349402, 0.352029, 0.367792, 
 
0.365298, 0.3790775, 0.379298, 0.36231, 0.3632755, 0.357868, 
 
0.3764865, 0.3726645, 0.351422, 0.3353255, 0.334196, 0.3462365, 
 
0.367369, 0.3745925, 0.3610755, 0.360576, 0.357035, 0.3554905, 
 
0.3745615, 0.38828, 0.3293275, 0.3246945, 0.3555345, 0.375563, 
 
0.38116, 0.387508, 0.357707, 0.413193, 0.3658075, 0.3776355, 
 
0.362678, 0.3824945, 0.3771, 0.375347, 0.362468, 0.367618, 0.3630925, 
 
0.3763995, 0.359458, 0.3982755, 0.3834765, 0.386135, 0.3691575, 
 
0.388099, 0.350435, 0.3629045, 0.3456775, 0.4404815, 0.4554165, 
 
0.425763, 0.4491515, 0.461206, 0.453745, 0.4501255, 0.4451875, 
 
0.4369835, 0.456838, 0.437759, 0.4377635, 0.44434, 0.4436615, 
 
0.437532, 0.4335325, 0.4407995, 0.470447, 0.4458525, 0.440322, 
 
0.4570775, 0.4410335, 0.436045, 0.4721345, 0.4734515, 0.4373905, 
 
0.4139465, 0.440213, 0.440281, 0.425746, 0.454377, 0.4457435, 
 
0.488561, 0.4393565, 0.4610565, 0.3562055, 0.381041, 0.353253, 
 
0.4265975, 0.4069595, 0.40092, 0.4261365, 0.429605, 0.425479, 
 
0.4331755, 0.3981285, 0.4206245, 0.3798475, 0.3704155, 0.395192, 
 
0.404436, 0.4148915, 0.416144, 0.384652, 0.3916045, 0.41005, 
 
0.3940605, 0.3926085, 0.383909, 0.391792, 0.372398, 0.3531025, 
 
0.414441, 0.404335, 0.3682095, 0.359976, 0.376681, 0.4173705, 
 
0.3492685, 0.397057, 0.3940605, 0.398825, 0.3707115, 0.400228, 
 
0.3946595, 0.4278775, 0.384037, 0.43577)), .Names = c("Subject", 
 
"A", "B", "C", "D", "Frontal_FA"), class = "data.frame", row.names = c(NA, 
 
-151L))

Hier ist der Code, den ich

leite lmer passen

FA <- lmer(Frontal_FA ~ poly(C) + A + B + D + (poly(C)||Subject), data = df) 

Grundstück lme r passen

sjp.lmer(FA) 

Danke für Ihre Hilfe.

Answer 1

sjp.lmer, plottet standardmäßig die zufälligen Effekte eines Modells. Es zeichnet jedoch zufällige Effekte (BLUPs) mit Konfidenzintervallen unter Verwendung der arm:se.ranef-Funktion auf. Diese Funktion bewirkt, dass die erste Fehlermeldung erhalten Sie:

arm::se.ranef(FA) 
> Error in array(NA, c(J, K)) : 'dims' cannot be of length 0 

Dann werden die se.ranef Funktionen ruft die lme4::ranef Funktion mit dem Argument condVar = TRUE, die für die spezifischen Bedingungen noch nicht umgesetzt ist (wie Sie) in lme4. Daher Sie die zusätzliche Warnung erhalten

In ranef.merMod(object, condVar = TRUE) : 
    conditional variances not currently available via ranef when there are multiple terms per factor 

Wenn Sie besonders interessiert sind die zufälligen Effekte Plotten, könnten Sie die lme4 implementierter verwenden dotplot -function:

lattice::dotplot(ranef(FA)) 

Wenn Sie Interesse an einem anderen Plottyp (feste Effekte, marginale Effekte, Vorhersagen, ...), siehe ?sjp.lmer oder einige Beispiele at his page.

bearbeiten Wenn Sie nichts dagegen haben, von GitHub Installation (devtools::install_github("sjPlot/devel"), ich begangen habe ein kleines Update, so dass Sie show.ci = FALSE verwenden können Berechnung von Konfidenzintervallen für zufällige Effekte zu vermeiden:

sjp.lmer(FA, type = "re", show.ci = F, sort.est = "(Intercept)")