拓端tecdat:R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平

2021/11/21 23:44:57

本文主要是介绍拓端tecdat:R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

原文链接:http://tecdat.cn/?p=24134 

原文出处:拓端数据部落公众号

测试非线性回归中的交互作用

因子实验在农业中非常普遍,它们通常用于测试实验因素之间相互作用的重要性。例如,可以在两种不同的施氮水平(例如高和低)下进行基因型评估,以了解基因型的排名是否取决于养分的可用性。对于那些不太了解农业的人,我只会说这样的评估是相关的,因为我们需要知道我们是否可以推荐相同的基因型,例如,在传统农业(高氮可用性)和有机农业中农业氮的可用性。

让我们考虑一个实验,在该实验中,我们在完整的区组因子设计中以两种氮含量(“高”和“低”)测试了三种基因型(为了简便起见,我们称它们为 A、B 和 C),并进行四次重复。在八个不同的时间(播种后天数:DAS)从 24 个地块中的每一个中取出生物量子样本,以评估生物量随时间的增长。

加载数据并将“Block”变量转换为一个因子。

  1.    
  2.   head(dataset)

数据集由以下变量组成:

  1. 'Id':观察的数字代码
  2. 'DAS':即播种后的天数。这是采集样本的时刻
  3. 'Block', 'Plot', 'GEN' 和 'N' 分别代表每个观察的块、图、基因型和氮水平
  4. “产量”代表收获的生物量。

查看观察到的增长数据,如下图所示。

我们看到增长是对称的(大概是逻辑的)并且观察的方差随着时间的推移而增加,即方差与期望因变量成正比。

问题是:我们如何分析这些数据?

模型

我们可以凭经验假设生物量和时间之间的关系是逻辑的:

其中Y是第i个基因型、第j个氮水平、第k个区块和第l个小区在X时间观察到的生物量产量,d是时间进入无穷大时的最大渐进生物量水平,b是拐点处的斜率,而e是生物量产量等于d/2时的时间。我们主要对参数d和e感兴趣:第一个参数描述基因型的产量潜力,而第二个参数给出生长速度的测量。
 

每个小区都有重复测量,因此,模型参数可能显示出一些变化,取决于基因型、氮水平、区块和小区。特别是,假设b是相当恒定的,并且独立于上述因素,而d和e可能根据以下公式发生变化,这是可以接受的。

其中,对于每个参数,μμ是截距,gg是第i个基因型的固定效应,NN是第j个氮水平的固定效应,gNgN是固定交互效应,θ是区块的随机效应,而ζζ是区块内地块的随机效应。这两个方程完全等同于通常用于线性混合模型的方程,在双因素因子区块设计的情况下,其中ζζ是残差误差项。事实上,原则上,我们也可以考虑两步法的拟合程序,即我们。

  1. 将逻辑模型拟合到每个图的数据并获得 d 和 e 的估计值
  2. 使用这些估计来拟合线性混合模型

我们不会在这里追求这种两步法,我们将专注于一步拟合。

错误的方法

如果观察是独立的(即没有块和没有重复测量),这个模型可以通过使用传统的非线性回归来拟合。

编码报告如下。产量 "是(∼)DAS的函数,通过一个三参数的Logistic函数。对于基因型和氮水平的不同组合必须拟合不同的曲线(id = N:GEN),尽管这些曲线应该部分地基于共同的参数值('models = ...)。model"参数需要一些补充说明。它必须是一个矢量,其元素数与模型中的参数数一样多(在本例中是三个:B、D和E)。每个元素代表一个变量的线性函数,并按字母顺序指向参数,即第一个元素指b,第二个指d,第三个指e。参数b不依赖于任何变量('~1'),因此在不同的曲线上拟合出一个常数;d和e依赖于基因型和氮水平的完全因子组合(~N*GEN = ~N + GEN + N:GEN)。最后,我们使用参数'bcVal = 0.5'来指定我们打算使用转换两边方法,即对方程的两边进行对数转换。这对于考虑异方差是必要的,但它不影响参数估计。

  1.   rm(Yield ~ DAS, dta =daas,
  2.   id = GEN:N,
  3.   model = c( ~ 1, ~ N*GEN, ~ N*GEN))

这个模型对于其他情况(无区块和无重复测量)可能是有用的,但在我们的例子中是错误的。事实上,观测值在区块和地块内是聚在一起的;如果忽略这一点,我们就违反了模型残差独立的假设。残差与拟合值的图显示,不存在异方差的问题。


 

考虑到上述情况,我们必须在这里使用不同的模型,尽管我将证明这种拟合可能会很有用。

非线性混合模型拟合

为了解释观察的类,我们切换到非线性混合效应模型(NLME)。一个不错的选择是'nlme()' 函数(Pinheiro 和 Bates,2000),尽管有时语法可能很麻烦。我们需要指定以下内容:

  1. 模型参数的线性函数。nlme'函数中的'fixed'参数与上面函数中的'models'参数非常相似,即它需要一个列表,其中每个元素都是变量的线性函数。唯一的区别是,参数名称需要在函数的左侧指定。
  2. 模型参数的随机效应。这些是通过使用 "随机 "参数来指定的。在这种情况下,参数d和e有望在一个区块内的不同区块和不同地块之间显示随机变化。为了简单起见,由于参数b不受基因型和氮水平的影响,我们也希望它在区块和地块之间不显示任何随机变化。
  3. 模型参数的起始值。我们需要指定模型参数的初始值。在这种情况下,我决定使用上面非线性回归的输出。

方程两边的变换。

  1.   nlme(sqtYld ~ srtLS.L3(DAS, b, d, e)
  2.   tTable

从上图中,我们看到整体拟合良好。随机效应的固定效应和方差分量按如下方式获得:

summary(mdnle1)

现在,让我们回到我们最初的目的:测试 "基因型x氮 "交互作用的显著性。事实上,我们有两个可用的测试:一个是参数d,一个是参数e。首先,我们对两个 "简化 "模型进行编码。为此,我们把固定效应从'~ N*GEN'改为'~ N + GEN'。同样在这种情况下,我们使用非线性回归拟合来获得模型参数的起始值,用于下面的NLME模型拟合。


 

  1.   mdNave2 <- Yied ~ DAS
  2.   modes = c( ~ 1, ~ N + GEN, ~ N * GEN
  3.    
  4.   mdnle2 <-sqrt(Yeld) ~ sqrt(NS.3(DAS, b, d, e
  5.   mdaie3 <- Yied ~ DAS
  6.   crid = N:GEN
  7.   modls = c( ~ 1, ~ N*GEN, ~ N + GEN
  8.    
  9.   mdne3 <- sqrt(Yild) ~ sqrt(NS.L3(DAS, b, d, e
  10.   ranom = d + e~ 1|Blck/Pot
  11.   fixd = lit(b ~ 1 d ~ N*GN, e ~ N + GN)

让我们考虑第一个缩小的模型'modnlme2'。在这个模型中,"基因型x氮 "的交互作用已经被移除,用于d参数。我们可以通过使用似然比检验来比较这个模型和完整的模型 "modnlme1"。

  1.   aova(mode1, mdne2)
  2.    
  3.    

该检验是显著的,但两个模型的AIC值非常接近。考虑到混合模型中的LRT通常比较宽松,应该可以得出结论,"基因型x氮素 "的交互作用不显著,因此,用d参数衡量的基因型在产量潜力方面的排名应该与氮素水平有关。

现在让我们考虑第二个简化模型“modnlme3”。在第二个模型中,“e”参数的“基因型 x 氮”交互作用已被删除。我们还可以使用似然比检验将此简化模型与完整模型“modnlme1”进行比较:

  1.   anva(mole1, mdle3)
  2.    

在这第二次检验中,"基因型x氮素 "交互作用的不显著性似乎比第一次检验更可信。


最受欢迎的见解

1.基于R语言的lmer混合线性回归模型

2.R语言用Rshiny探索lme4广义线性混合模型(GLMM)和线性混合模型(LMM)

3.R语言线性混合效应模型实战案例

4.R语言线性混合效应模型实战案例2

5.R语言线性混合效应模型实战案例

6.线性混合效应模型Linear Mixed-Effects Models的部分折叠Gibbs采样

7.R语言LME4混合效应模型研究教师的受欢迎程度

8.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长

9.使用SAS,Stata,HLM,R,SPSS和Mplus的分层线性模型HLM



这篇关于拓端tecdat:R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程