【R语言】数据可视化分析和统计检验——线性和线性混合效应模型

Amyniez2024-06-17 10:02

R语言数据可视化分析和统计检验

写在前面

🌍✨📚最近听了北京理工大学王蓓老师关于R语言的讲座，受益匪浅，现在把自己学习的内容和收获进行记录和分享。

1、数据读取及分析

首先读取Excel数据，在这里需要对数据进行说明：该数据一共包含了5列数据，其中speaker有9类、sentence有4类、Focus有2类（NF和XF）、Boundary有3类（word、clause和sentence）。

r 复制代码 
## 1. Read an EXCEL file------------------------------------------------------------------------
# Note that you need to use "Import Dataset" to find where your data file is
# MaxF0 is from a within-subject design of 2(X-focus*Neutral Focus)*3(Word, clause and sentence Boundary)
# The dependent variable is maximum F0 of the post-focus word (word X+1), "maxf0st"
# All together, we have 9 speakers* 4 base sentence *2 Focus*3 Boundary=216 observations

MaxF0<-read_excel("D:/BaiduNetdiskDownload/01/FocusMaxF0syl8.xlsx")
View(MaxF0) # Show the data
colnames(MaxF0) #column names
length(MaxF0$Speaker) # check the number of observations
str(MaxF0)  # Show the variables

MaxF0$Focus=as.factor(MaxF0$Focus) # set "Focus" as a factor
MaxF0$Boundary=as.factor(MaxF0$Boundary) # set "Boundary" as a factor

#reorder the levels as the way you wish, otherwise it is alphabet order
MaxF0$Boundary=factor(MaxF0$Boundary,levels=c("Word","Clause","Sentence")) # 这一串代码很有意思，在ggplot绘图中非常有用，主要用于调整横坐标的标签的顺序

MaxF0_XF<-subset(MaxF0,MaxF0$Focus=="XF") #choose a subset
summary(MaxF0_XF)
MaxF0_XF1<-MaxF0[MaxF0$Focus=="XF",] #choose a subset
summary(MaxF0_XF1)
MaxF0_B2<-subset(MaxF0,MaxF0$Boundary!="Word") #筛选出非word的数据行
summary(MaxF0_B2)

# Save your data
getwd()#get working directory
write.table(MaxF0_B2,file="C:/Users/wangb/Desktop/Bei_desk/R2020BIT/MaxF0_B2.txt") # save the data frame to your own directory.

运行结果：

r 复制代码 
> colnames(MaxF0) #column names
[1] "Speaker"  "sentence" "Focus"    "Boundary" "maxf0st" 
> length(MaxF0$Speaker) # check the number of observations
[1] 216
> str(MaxF0)  # Show the variables
tibble [216 × 5] (S3: tbl_df/tbl/data.frame)
 $ Speaker : num [1:216] 1 1 1 1 1 1 1 1 1 1 ...
 $ sentence: num [1:216] 1 1 1 1 1 1 2 2 2 2 ...
 $ Focus   : chr [1:216] "NF" "NF" "NF" "XF" ...
 $ Boundary: chr [1:216] "Word" "Clause" "Sentence" "Word" ...
 $ maxf0st : num [1:216] 19 18.6 19.6 14.6 15.3 ...
> summary(MaxF0_XF)
    Speaker     sentence    Focus        Boundary     maxf0st     
 Min.   :1   Min.   :1.00   NF:  0   Word    :36   Min.   :11.34  
 1st Qu.:3   1st Qu.:1.75   XF:108   Clause  :36   1st Qu.:14.63  
 Median :5   Median :2.50            Sentence:36   Median :16.50  
 Mean   :5   Mean   :2.50                          Mean   :16.60  
 3rd Qu.:7   3rd Qu.:3.25                          3rd Qu.:18.12  
 Max.   :9   Max.   :4.00                          Max.   :24.12  
> summary(MaxF0_XF1)
    Speaker     sentence    Focus        Boundary     maxf0st     
 Min.   :1   Min.   :1.00   NF:  0   Word    :36   Min.   :11.34  
 1st Qu.:3   1st Qu.:1.75   XF:108   Clause  :36   1st Qu.:14.63  
 Median :5   Median :2.50            Sentence:36   Median :16.50  
 Mean   :5   Mean   :2.50                          Mean   :16.60  
 3rd Qu.:7   3rd Qu.:3.25                          3rd Qu.:18.12  
 Max.   :9   Max.   :4.00                          Max.   :24.12  
> summary(MaxF0_B2)
    Speaker     sentence    Focus       Boundary     maxf0st     
 Min.   :1   Min.   :1.00   NF:72   Word    : 0   Min.   :12.40  
 1st Qu.:3   1st Qu.:1.75   XF:72   Clause  :72   1st Qu.:16.02  
 Median :5   Median :2.50           Sentence:72   Median :17.96  
 Mean   :5   Mean   :2.50                         Mean   :17.93  
 3rd Qu.:7   3rd Qu.:3.25                         3rd Qu.:19.70  
 Max.   :9   Max.   :4.00                         Max.   :24.73

2、组间均值和标准差统计分析

有时候我们需要知道某列对应的数据在指定类别列中的统计值（如均值、标准差、最大值和最小值等）

r 复制代码 
# 2.Get group mean and sd--------------------------------------------------------------------

#Get the maximum, mimum mean etc.
summary(MaxF0$maxf0st)

# calculate mean divided by one variable
tapply(MaxF0$maxf0st,MaxF0$Focus,mean) 

# calculate mean/sd divied by two variables use either tapply or aggregate
maxf0Mean<-with(MaxF0,tapply(maxf0st, list(Focus, Boundary),mean))
maxf0Mean

maxf0Sd<-with(MaxF0,tapply(maxf0st, list(Focus, Boundary),sd))
maxf0Sd

maxf0Mean2 <- aggregate(MaxF0$maxf0st,list(MaxF0$Focus,MaxF0$Boundary),mean)
maxf0Mean2

运行结果：

r 复制代码 
> summary(MaxF0$maxf0st)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  11.34   15.90   17.50   17.58   19.42   24.73 
> # calculate mean divided by one variable
> tapply(MaxF0$maxf0st,MaxF0$Focus,mean) 
      NF       XF 
18.56700 16.60231 
> maxf0Mean
       Word   Clause Sentence
NF 18.18518 18.56963 18.94618
XF 15.59388 16.40753 17.80552
> maxf0Sd
       Word   Clause Sentence
NF 2.265554 2.595972 2.212157
XF 2.376251 2.392706 2.498015
> maxf0Mean2
  Group.1  Group.2        x
1      NF     Word 18.18518
2      XF     Word 15.59388
3      NF   Clause 18.56963
4      XF   Clause 16.40753
5      NF Sentence 18.94618
6      XF Sentence 17.80552

可以看出maxf0Mean2中统计了Group.1和Group.2对应的X变量的统计数据。我更倾向于使用aggregate()函数进行统计，因为它的结果更加直观。

3、图像数据探索

这里我们需要一步一步地探索原始数据，对原始数据的分布情况进行初步了解，以便进行之后的数据分析。

3.1 图像绘制（查看是否存在极端数据，以及数据分布情况）

r 复制代码 
# Plot all the data to see whether there is any extreme values
plot(MaxF0$maxf0st)
plot(sort(MaxF0$maxf0st),ylab="MaxF0(st)") # display the dat from the smallest to the largest value
# Plot the histrogram figure
hist(MaxF0$maxf0st)

结果展示：

3. 2 数据标准化（Z-scores）

z分数（z-score），也叫标准分数（standard score）是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。

r 复制代码 
#transfer the data to z-score
maxf0_Z<-scale(MaxF0$maxf0st,center=TRUE,scale=TRUE)
plot(maxf0_Z)

3.3 绘制数据相关性

r 复制代码 
# plot correlations
MaxF0_XF<-subset(MaxF0,MaxF0$Focus=="XF")
MaxF0_NF<-subset(MaxF0,MaxF0$Focus=="NF")

plot(MaxF0_XF$maxf0st,MaxF0_NF$maxf0st)

QQ图可以反映数据是否符合正态分布：

r 复制代码 
# Check whehther the data is with a normal distribution
hist(MaxF0$maxf0st)
qqnorm(MaxF0$maxf0st)
qqline(MaxF0$maxf0st,col="red")

绘制一行三列的直方图：

r 复制代码 
library(dplyr)
par(mfrow=c(1,3))
hist(MaxF0[MaxF0$Boundary=="Word",]$maxf0st,col="light blue",xlab="MaxF0 (st)")
hist(MaxF0[MaxF0$Boundary=="Clause",]$maxf0st,col="green",xlab="MaxF0 (st)")
hist(MaxF0[MaxF0$Boundary=="Sentence",]$maxf0st,col="grey",xlab="MaxF0 (st)")
par(mfrow=c(1,1))

不同组的数据对比：

r 复制代码 
#Show the mean across groups with bars
maxf0Mean<-with(MaxF0,tapply(maxf0st, list(Focus, Boundary),mean))
maxf0Mean

barplot(maxf0Mean,beside=T)

用箱线图检查各组之间是否有差异：

r 复制代码 
# check whether there is any difference bewteen groups with a boxplot
maxf0_boxplot<-boxplot(maxf0st~Focus,data=MaxF0)
maxf0_boxplot<-boxplot(maxf0st~Focus*Boundary,data=MaxF0)

图像美化：

r 复制代码 
# Use lattice to display boxplots of multiple variables
library(lattice)
bwplot(maxf0st~Focus|Boundary,data=MaxF0)
bwplot(maxf0st~Boundary|Focus,data=MaxF0)

4、ggplot绘图

4.1 geom_boxplot

r 复制代码 
# boxplot
f0_box<-ggplot(data = MaxF0, aes(x = Boundary, y = maxf0st,color=Focus))
f0_box1<-f0_box+geom_boxplot(aes(fill = Focus),color="black",position=position_dodge(0.8))
f0_box2<-f0_box1+labs(x =element_blank(), y = "Maximum F0 (st)")
f0_box3<-f0_box2+theme_classic(base_size = 18)
f0_box3
r 复制代码 
f0_box4<-f0_box2+theme_update()
f0_box4

使用facet_wrap（）函数将数据展开：

r 复制代码 
#Split a plot into a matrix of panels
f0_box4<-f0_box3+facet_wrap(~Speaker,nrow=3)
f0_box4

4.2 geom_dotplot()

绘制散点图：

r 复制代码 
# dotplot
f0_point<-ggplot(data = MaxF0, aes(x = Boundary, y = maxf0st,color=Focus))
f0_point1<-f0_point+geom_dotplot(aes(color = Focus,fill=Focus),
                                 binaxis = "y", stackdir = "center",
                                 position=position_dodge(0.8),dotsize =1,
                                 binwidth = 0.5)+
            labs(x =element_blank(), y = "Maximum F0 (st)")+
            theme_classic()
f0_point1
mean(MaxF0$maxf0st)#17.6

为以上图像添加平均值基线：

r 复制代码 
MaxF0$Speaker=as.factor(MaxF0$Speaker)

f0_point2<-f0_point1+geom_hline(aes(yintercept=17.6))+annotate("text", x=0.7, y=18, label="17.6",size=4) 
f0_point3<-f0_point2
f0_point3

为所有分组数据添加均值基线：

r 复制代码 
f0_point4<-f0_point3+facet_wrap(~Speaker,nrow=3)
f0_point4

4.3 geom_density

r 复制代码 
#Density plot
f0density<-ggplot(data = MaxF0, aes(x = maxf0st,color=Focus))
f0density1<-f0density+geom_density()
f0density2<-f0density1+scale_color_manual(values=c("red", "blue"))
f0density3<-f0density2+theme_minimal()
f0density3
r 复制代码 
#Split a plot into a matrix of panels
f0densityf<-ggplot(data = MaxF0, aes(x = maxf0st,color=Focus))
f0densityf1<-f0densityf+geom_density()+facet_wrap(~Boundary,nrow=1)
f0densityf2<-f0densityf1+scale_color_manual(values=c("#999999", "#E69F00"))
f0densityf2

5、相关性

计算两个变量之间的相关性：

r 复制代码 
MaxF0_XF<-subset(MaxF0,MaxF0$Focus=="XF")
MaxF0_NF<-subset(MaxF0,MaxF0$Focus=="NF")

cor(MaxF0_XF$maxf0st,MaxF0_NF$maxf0st) # r=0.81

提取指定数据并合并：

r 复制代码 
NFXF<-cbind(MaxF0_XF,MaxF0_NF$maxf0st)
NFXF<-data.frame(NFXF)
View(NFXF)
NFXF2<-rename(NFXF,c("maxf0st"="maxf0XF","MaxF0_NF.maxf0st"="maxf0NF"))# Put the new name first, then the old name
View(NFXF2)

corNX<-ggplot(NFXF2, aes(x=maxf0NF,y=maxf0XF,))
corNX1<-corNX+geom_point(size=2,color="dark blue")
corNX1
r 复制代码 
corNX<-ggplot(NFXF2, aes(x=maxf0NF,y=maxf0st,))
corNX1<-corNX+geom_point(size=2,color="dark blue")
corNX1

结果展示：

r 复制代码 
NFXF2$Speaker=as.factor(NFXF2$Speaker)

corNX<-ggplot(NFXF2, aes(x=maxf0XF,y=maxf0NF,color=Speaker))
corNX1<-corNX+geom_point()
corNX1

添加回归线及其置信区间：

r 复制代码 
corNXlm<-ggplot(NFXF2, aes(x=maxf0XF,y=maxf0NF))
corNXlm1<- corNXlm+geom_point()+geom_smooth(method=lm)
corNXlm1
r 复制代码 
corNX<-ggplot(NFXF2, aes(x=maxf0XF,y=maxf0NF,color=Speaker))
corNX1<-corNX+geom_point()+geom_smooth(method=lm)
corNX1
r 复制代码 
NFXF2$Speaker=as.factor(NFXF2$Speaker)
corNX<-ggplot(NFXF2, aes(x=maxf0XF,y=maxf0NF,color=Speaker))
corNX1<-corNX+geom_point()+facet_wrap(~sentence,nrow=2)
corNX1

6、T检验

r 复制代码 
boxplot(MaxF0$maxf0st,MaxF0$Focus)
f0density<-ggplot(data = MaxF0, aes(x = maxf0st,color=Focus))
f0density1<-f0density+geom_density()
f0density2<-f0density1+scale_color_manual(values=c("red", "blue"))
f0density3<-f0density2+theme_minimal()
f0density3



XF<-MaxF0[MaxF0$Focus=="XF",]$maxf0st
NF<-MaxF0[MaxF0$Focus=="NF",]$maxf0st
mean(XF) #16.6
mean(NF) #18.6

f0density4<-f0density3+geom_vline(xintercept=c(16.6,18.6))
f0density4

t.test(XF,NF,paired=TRUE,alternative="two.sided")
r 复制代码 
> t.test(XF,NF,paired=TRUE,alternative="two.sided")

	Paired t-test

data:  XF and NF
t = -13.607, df = 107, p-value < 2.2e-16
alternative hypothesis: true mean difference is not equal to 0
95 percent confidence interval:
 -2.250911 -1.678460
sample estimates:
mean difference 
      -1.964686

7、线性回归&ANOVA

7.1 绘制主效应及其交互效应

r 复制代码 
f0_boundary<-ggplot(data = MaxF0, aes(x = Boundary, y = maxf0st))
f0_boundary1<-f0_boundary+geom_boxplot(position=position_dodge(0.8),size=0.1)+labs(x =element_blank(), y = "Maximum F0 (st)")+theme_classic()
f0_boundary1

f0_focus<-ggplot(data = MaxF0, aes(x = Focus, y = maxf0st))
f0_focus1<-f0_focus+geom_boxplot(position=position_dodge(0.8),size=0.1)+labs(x =element_blank(), y = "Maximum F0 (st)")+theme_classic()
f0_focus1

f0_interaction<-ggplot(data = MaxF0, aes(x = Boundary, y = maxf0st))
f0_interaction1<-f0_interaction+geom_boxplot(aes(fill = Focus),position=position_dodge(0.8),size=0.1)
f0_interaction2<-f0_interaction1+ scale_color_brewer(palette="Dark2")+labs(x =element_blank(), y = "Maximum F0 (st)")+theme_classic()
f0_interaction2


也可以使用折线图进行展示，这里使用了之前提到的==aggregate()==函数：

r 复制代码 
# Use lines to display the interaction
maxf0Mean2=aggregate(MaxF0$maxf0st,list(MaxF0$Focus,MaxF0$Boundary),mean)
maxf0Mean2
maxf0Mean2<-data.frame(maxf0Mean2)

names(maxf0Mean2)=c("Focus","Boundary","maxf0") # add column neames
View(maxf0Mean2)
str(maxf0Mean2)

maxf0line<-ggplot(maxf0Mean2,aes(x=Boundary,y=maxf0,group=Focus,color=Focus))
maxf0line1<-maxf0line+geom_line()+geom_point()
maxf0line1

7.2 ANOVA

ANOVA的本质就是线性模型（lm），因此他要求数据之间要具有独立性、正态性和同方差性 等。之前已经对数据的正态性进行了检验，且已满足，但是这里的独立性可能无法满足，因此之后将涉及到线性混合效应模型。

r 复制代码 
####ANOVA
f0aov<-aov(maxf0st~Focus*Boundary,data=MaxF0)
summary(f0aov)

结果展示：

r 复制代码 
> summary(f0aov)
                Df Sum Sq Mean Sq F value   Pr(>F)    
Focus            1  208.4  208.44  36.380 7.23e-09 ***
Boundary         2   80.5   40.26   7.027  0.00111 ** 
Focus:Boundary   2   20.0   10.00   1.745  0.17724    
Residuals      210 1203.2    5.73                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

可以看出两个变量（Focus和Boundary）之间并没有交互作用。

7.3 线性模型

r 复制代码 
NXlm<-lm(maxf0XF~maxf0NF,data=NFXF2)
coef(NXlm)#y=0.08+0.88x
print(NXlm)
plot(NFXF2$maxf0NF,NFXF2$maxf0XF)
abline(NXlm,col="red")

结果展示：

r 复制代码 
> coef(NXlm)#y=0.08+0.88x
(Intercept)     maxf0NF 
 0.08129193  0.88980567 
> print(NXlm)

Call:
lm(formula = maxf0XF ~ maxf0NF, data = NFXF2)

Coefficients:
(Intercept)      maxf0NF  
    0.08129      0.88981

Linear-model

r 复制代码 
### Linear-model
# The lm is to test whether Focus and Boundary have any effect on maxf0st
f0lm0<-lm(maxf0st~Focus*Boundary,data=MaxF0)
summary(f0lm0)

coef(f0lm0) #coefficient
confint(f0lm0) #confident interval

anova(f0lm0)# It then gives the results in the ANOVA style

结果展示：

r 复制代码 
> summary(f0lm0)

Call:
lm(formula = maxf0st ~ Focus * Boundary, data = MaxF0)

Residuals:
   Min     1Q Median     3Q    Max 
-4.751 -1.850 -0.006  1.466  6.316 

Coefficients:
                         Estimate Std. Error t value Pr(>|t|)    
(Intercept)               18.5696     0.3989  46.547  < 2e-16 ***
FocusXF                   -2.1621     0.5642  -3.832 0.000168 ***
BoundarySentence           0.3766     0.5642   0.667 0.505231    
BoundaryWord              -0.3845     0.5642  -0.681 0.496353    
FocusXF:BoundarySentence   1.0214     0.7979   1.280 0.201890    
FocusXF:BoundaryWord      -0.4292     0.7979  -0.538 0.591204    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.394 on 210 degrees of freedom
Multiple R-squared:  0.2043,	Adjusted R-squared:  0.1854 
F-statistic: 10.78 on 5 and 210 DF,  p-value: 3.039e-09

FocusXF处的结果表明，FocusXF与FocusNF相比，比起均值低2.1621，且P显著，表明二者存在显著差异。

BoundarySentence和BoundaryWord 的结果均是和BoundaryClause相比，且结果不显著，表明三者并无显著差异。
此外，值得注意的是，t value=Estimate/Std. Error，且|t value|>1.96，则近似于P<0.05。

  • T value here tells us whether the coefficients are significantly different from zero. When t>1.96, it indicates that p<0.05.
    这里使用别人的图进行解释：
r 复制代码 
> anova(f0lm0)
Analysis of Variance Table

Response: maxf0st
                Df  Sum Sq Mean Sq F value    Pr(>F)    
Focus            1  208.44 208.439 36.3799 7.228e-09 ***
Boundary         2   80.53  40.263  7.0273  0.001111 ** 
Focus:Boundary   2   19.99   9.996  1.7446  0.177239    
Residuals      210 1203.20   5.730                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

其中Residuals为残差（真实值与估计值之差），表示线性模型中无法解释的变化。

此处的anova()的结果与上面7.2节中使用的 f0aov<-aov(maxf0st~Focus*Boundary,data=MaxF0) 函数的结果基本一致。因此使用两种方法进行ANOVA检验都是可以的。

由于线性模型中的数据无法满足独立性的要求，因此存在很多的不确定因素，因此我们可以将其中的一些变量作为随机变量，如speaker或者sentence，如下所示：

r 复制代码 
# by-subject vs. by-item analysis
f0aov_er<-aov(maxf0st~Focus*Boundary+Error(Speaker),data=MaxF0)
summary(f0aov_er)

f0aov_er2<-aov(maxf0st~Focus*Boundary+Error(sentence),data=MaxF0)
summary(f0aov_er2)

结果展示：

r 复制代码 
> summary(f0aov_er)

Error: Speaker
          Df Sum Sq Mean Sq F value Pr(>F)
Residuals  1  19.45   19.45               

Error: Within
                Df Sum Sq Mean Sq F value   Pr(>F)    
Focus            1  208.4  208.44  36.802 6.05e-09 ***
Boundary         2   80.5   40.26   7.109  0.00103 ** 
Focus:Boundary   2   20.0   10.00   1.765  0.17376    
Residuals      209 1183.7    5.66                     
---
Signif. codes:  
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
r 复制代码 
> summary(f0aov_er2)

Error: sentence
          Df Sum Sq Mean Sq F value Pr(>F)
Residuals  1  30.71   30.71               

Error: Within
                Df Sum Sq Mean Sq F value   Pr(>F)    
Focus            1  208.4  208.44  37.155 5.19e-09 ***
Boundary         2   80.5   40.26   7.177 0.000967 ***
Focus:Boundary   2   20.0   10.00   1.782 0.170889    
Residuals      209 1172.5    5.61                     
---
Signif. codes:  
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

通过残差Residuals表明，通过增加不同的随机变量，可以降低模型的不确定性，然而降低的效果确实有限。因此为了生成误差更小的模型，我们需要构建线性混合效应模型。

8、线性混合效应模型（LMM）

线性混合效应模型包括了两个部分，即固定效应（fixed effects）和随机效应（random effects），而随机效应部分又分为随机截距和随机斜率。我们常使用llme4包中的lmer()函数构建LMM。我们需要重点关注随机效应部分，表示方法为： (1|Speaker)：speaker作为固定截距；(1+Focus|Speaker)： speaker条件下，Focus为随机斜率且随机截距；(0+Focus|Speaker) ：speaker条件下，Focus为随机斜率且固定截距。

变量间存在交互作用：

r 复制代码 
#Fixed effect: Focus and Boundary, Random effect(intercept): Speaker
f0lm<-lmer(maxf0st~Focus*Boundary+(1|Speaker),data=MaxF0)
summary(f0lm)

变量间不存在交互作用：

r 复制代码 
f0lm2<-lmer(maxf0st~Focus+Boundary+(1|Speaker),data=MaxF0)
summary(f0lm2)


以上两个模型进行对比：

r 复制代码 
#model comparsion
anova(f0lm,f0lm2)

构建随机斜率模型：

r 复制代码 
#random intercept on Speaker, and random slop of Focus on Speaker
f0lm3<-lmer(maxf0st~Focus*Boundary+(1+Focus|Speaker),data=MaxF0)
summary(f0lm3)
coef(f0lm3)

anova(f0lm,f0lm3)

最后还涉及REML和ML的使用，当不清楚某个变量是否可以作为主效应（固定效应）时，使用ML，即命令设置为REML=F。一般情况下默认为REML。

相关推荐
秃头佛爷几秒前
Python学习大纲总结及注意事项
开发语言·python·学习
待磨的钝刨1 分钟前
【格式化查看JSON文件】coco的json文件内容都在一行如何按照json格式查看
开发语言·javascript·json
XiaoLeisj2 小时前
【JavaEE初阶 — 多线程】单例模式 ＆ 指令重排序问题
java·开发语言·java-ee
励志成为嵌入式工程师3 小时前
c语言简单编程练习9
c语言·开发语言·算法·vim
捕鲸叉3 小时前
创建线程时传递参数给线程
开发语言·c++·算法
A charmer4 小时前
【C++】vector 类深度解析：探索动态数组的奥秘
开发语言·c++·算法
Peter_chq4 小时前
【操作系统】基于环形队列的生产消费模型
linux·c语言·开发语言·c++·后端
记录成长java5 小时前
ServletContext,Cookie,HttpSession的使用
java·开发语言·servlet
前端青山5 小时前
Node.js-增强 API 安全性和性能优化
开发语言·前端·javascript·性能优化·前端框架·node.js
睡觉谁叫~~~5 小时前
一文解秘Rust如何与Java互操作
java·开发语言·后端·rust
热门推荐
01【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03组基轨迹建模 GBTM的介绍与实现（Stata 或 R）04【AIGC】重塑未来的科技巨轮05全面解析：构建基于深度学习的安全帽检测系统（UI界面+YOLO代码+数据集）06【经验分享】Ubuntu22.04安装微信(linux官方版)07基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测08Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO09RAG 实践- Ollama+RagFlow 部署本地知识库10红米手机使用google play