混合线性模型介绍--Wiki

模型介绍

混合线性模型： 是即包括固定因子，又包括随机因子的模型。 混合线性模型被广泛应用于物理、生物和社会科学。尤其是一些重复测量的数据及面板数据。混合线性模型比较突出的特点是可以非常优秀的处理缺失值，相对于传统的方差分析， 它有更广泛的使用范围，也更优秀。

发展历程

Ronald Fisher 最早提出随机因子模型来研究亲属间性状的相关性，1950年 Charles Roy Henderson 提出了最佳线性无偏估计（BLUE），这是针对于固定因子的评估。对随机因子的评估是最佳线性无偏预测（BLUP）。随后，混合模型在统计学研究中成了一个热门领域，相关的模型不断提出， 比如非线性混合模型，极大似然发估计，混合模型中的缺失值处理，贝叶斯估计混合模型等。混合模型被应用在许多领域，特别是观测值之间是有关联的重复测量数据，比如动植物育种，医学，也被应用在其它领域，比如棒球，工业统计等。

定义

以矩阵定义混合模型，可以写成：

$$y=X\beta +Z\mu +ϵ$$

这里
$y$是观测值的向量,它的平均值可以表示为$E(y)=X\beta$
$\beta$ 是固定因子的效应值
$\mu$ 是随机因子的效应值，它的平均值为$E(\mu )=0$,.它的方差为$var(\mu )=G$
$ϵ$是残差的向量矩阵,它的平均值为$E(ϵ)=0$,.它的方差为$var(ϵ)=R$
$X$和$Z$分别是是$\beta$和$\mu$的矩阵

计算

混合模型的假定为$\mu N(0,G),ϵN(0,R)$, 其中$Cov(\mu ,ϵ)=0$，即两者的协方差为0.
Henderson的混合线性公式：

$$\left[\begin{array}{cc}{X}^{\prime }X& X^{\prime }Z\\ Z^{\prime }X& Z^{\prime }Z+A^{-1}K\end{array}\right]\left[\begin{array}{c}\hat{\mu }\\ \hat{\alpha }\end{array}\right]=\left[\begin{array}{c}{X}^{\prime }Y\\ Z^{\prime }Y\end{array}\right]$$

求解混合线性模型, $\hat{\beta }$和$\hat{\mu }$的估计值是BLUE值和BLUP值, 求解方程组的前提是$K$已知, 即而K的公式为: $K=\frac{{\sigma }_e^2}{{\sigma }_a^2}$, 即残差的方差组分${\sigma }_e^2$和随机因子的方差组分${\sigma }_a^2$已知.

评估方差组分的方法有很多种, 有EM 方法, REML方法, Beyes方法等, 现在R种的包(nlme, lme4, MCMCglmm，asreml)对这些方法都有应用.

---

---

如果您对于数据分析，对于软件操作，对于数据整理，对于结果理解，有任何问题，欢迎联系我。