R语言 RMark包 var.components.reml()函数中文帮助文档(中英文对照)

loveR

var.components.reml(RMark)
var.components.reml()所属R语言包：RMark

                                        Variance components estimation using REML or maximum likelihood
                                         方差分量估计的使用REML或者最大似然

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Computes estimated effects, standard errors and variance components for a set of estimates
计算估计的影响，标准差和方差分量估计为一组


用法----------Usage----------


  var.components.reml(theta, design, vcv = NULL,
    rdesign = NULL, initial = NULL, interval = c(-25, 10),
    REML = TRUE)



参数----------Arguments----------

参数：theta
vector of parameter estimates
参数估计值的向量


参数：design
design matrix for fixed effects combining parameter estimates
固定效应相结合的设计矩阵参数估计


参数：vcv
estimated variance-covariance matrix for parameters
参数估计方差 - 协方差矩阵


参数：rdesign
design matrix for random effect (do not use intercept form; eg use ~-1+year instead of ~year); if NULL fits only iid error
设计矩阵的随机效果（不使用截式;如使用~（-1）+而不是一年~一年），如果NULL只适合独立同分布的错误


参数：initial
initial values for variance components
方差分量的初始值


参数：interval
interval bounds for log(sigma) to help optimization from going awry
区间边界的log（SIGMA），以帮助优化出了错


参数：REML
if TRUE uses reml else maximum likelihood
如果真正的用途REML其他最大似然


Details

详细信息----------Details----------

The function var.components uses method of moments to estimate a single process variance but cannot fit a more complex example.  It can only estimate an iid process variance.  However, if you have a more complicated structure in which you have random year effects and want to estimate a fixed age effect then var.components will not work because it will assume an iid error rather than allowing a common error for each year as well as an iid error.  This function uses restricted maximum likelihood (reml) or maximum likelihood to fit a fixed effects model with an optional random effects structure.  The example below provides an illustration as to how this can be useful.
函数var.components使用矩量法来估计一个单一的制程变异，但无法适应更复杂的例子。它只能估计一个独立同分布的制程变异。但是，如果你有一个更复杂的结构，其中有随机的全年效应，要估计一个固定的年龄效应，那么var.components不会工作，因为它会假设独立同分布的错误，而不是让一个常见的错误，每年以及独立同分布的错误。此功能使用限制最大似然法（REML）或最大似然一个可选的随机效应结构，以适应固定效应模型。下面的例子提供了一个例证，这可能是有用的。


值----------Value----------

A list with the following elements
包含下列元素的列表


参数：neglnl
negative log-likelihood for fitted model  <tr valign="top"><td>AICc</td>
负对数似然拟合模型<tr valign="top"> <TD> AICc</ TD>

small sample corrected AIC for model selection  <tr valign="top"><td>sigma</td>
小样本校正的AIC模型选择<tr valign="top"> <TD>sigma</ TD>

variance component estimates; if rdesign=NULL, only an iid error; otherwise, iid error and random effect error
方差分量估计，如果rdesign = NULL，只有一个独立同分布的错误，否则，独立同分布的误差和随机效应误差


参数：beta
dataframe with estimates and standard errors of betas for design  <tr valign="top"><td>vcv.beta</td>
数据框的估计和标准错误的测试版设计<tr valign="top"> <TD>vcv.beta</ TD>

variance-covariance matrix for beta
方差 - 协方差矩阵的β


（作者）----------Author(s)----------



Jeff Laake




实例----------Examples----------



# Use dipper data with an age (0,1+)/time model for Phi[使用瓢数据，年龄（0,1 +）/时间模式披]
data(dipper)
dipper.proc=process.data(dipper,model="CJS")
dipper.ddl=make.design.data(dipper.proc,
   parameters=list(Phi=list(age.bins=c(0,.5,6))))
levels(dipper.ddl$Phi$age)=c("age0","age1+")
md=mark(dipper,model.parameters=list(Phi=list(formula=~time+age)))
# extract the estimates of Phi[的估计提取的披]
zz=get.real(md,"Phi",vcv=TRUE)
# assign age to use same intervals as these are not copied[因为这些不被复制，使用指定年龄相同的时间间隔]
# across into the dataframe from get.real[进入数据框从get.real]
zz$estimates$age=cut(zz$estimates$Age,c(0,.5,6),include=TRUE)
levels(zz$estimates$age)=c("age0","age1+")
z=zz$estimates
# Fit age fixed effects with random year component and an iid error[适合年龄固定效应与随机一年部件和独立同分布的错误]
var.components.reml(z$estimate,design=model.matrix(~-1+age,z),
        zz$vcv,rdesign=model.matrix(~-1+time,z))
# Fitted model assuming no covariance structure to compare to[拟合模型假设没有协方差结构比较]
# results with lme[结果与伦敦金属交易所]
xx=var.components.reml(z$estimate,design=model.matrix(~-1+age,z),
matrix(0,nrow=nrow(zz$vcv),ncol=ncol(zz$vcv)),
rdesign=model.matrix(~-1+time,z))
xx
sqrt(xx$sigmasq)
library(nlme)
lme(estimate~-1+age,data=z,random=~1|time)


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。