sobota, 14 sierpnia 2010

nowa wersja pakietu MCMCglmm dla R

Wyszła nowa wersja świetnego pakietu MCMCglmm dla R (autorem jest Jarrod Hadfield). Najnowsza wersja jest datowana na 10 sierpnia br. i usprawniono w niej obsługę informacji filogenetycznej (nowe formaty w jakich można pokrewieństwa filog. wkladac do analiz), pakiet już nie wiesza się tak w przypadku metaanaliz z predefinowanym wektorem błedów, szybciej też "mieli" dane i dopasowuje model do danych (wolne działanie w środowisku Windowsowym było zawsze jego słabą stroną). Poprawiono też dokumenty dołączone do pakietu (szczególnie "Course Notes"). Polecam pakiet wszystkim, którzy celują w złożone modele genetyki ilościowej i szukają alternatywy dla REMLa!


pozdrawiam
Szymek

--
Szymon Drobniak
Group of Population Ecology, Institute of Environmental Sciences
Jagiellonian University
ul. Gronostajowa 7, 30-387 Kraków, POLAND
tel.: +48 12 664 52 19 fax: +48 12 664 69 12

www.eko.uj.edu.pl/drobniak

6 komentarzy:

  1. Przy okazji mam pytanie o R: wiesz moze jaki pakiet pozwoli mi na obliczenie generalized linear mixed model z rozkladem normalnym i funkcja identycznosciowa? Do tej pory robilem GLMMy w pakiecie LMER (funkcja lme4) i jest wszystko fajnie dla rozkladu binomial czy poissona, ale on dla rozkladu Gaussa nie liczy istotnosci poszczegolnych predyktorow...

    OdpowiedzUsuń
  2. predyktorow - tzn komponent wariancji? generalnie widac tendencje do odchodzenia od podawania wartosci P (zwlaszcza dla np. komponent wariancji efektow losowych) na rzecz przedzialow ufnosci i tutaj idelanie sie nadaje MCMCglmm bo bardzo latwo sie tam liczy takie przedzialy. o ile wiem - pql ma opcje zwracania istotnosci (alternatywny pakiet dla lmer) ale nie korzystalem z niego. a jesli koniecznie chcesz miec test istotnosci komponent wariancji - to mozesz zrobic likelihood-ratio test (lme4 wyrzuca wartosci likelihood albo -2*log*likelihood? nie pamietam juz...) albo napisac prosty funkcje dla MCMCglmm ktora majac przedzial ufnosci okresli istotnosc predyktorow wariancji... mam nadzieje ze nie zagmatwalem, jakby co chetnie rozjasnie ;)

    OdpowiedzUsuń
  3. z tymi losowymi to faktycznie. w tym pakiecie (LMER) nie ma w ogóle informacji o istotności komponentów losowych, niezaleznie od rozkładu błędów. Ale jednak istotność, niezależnie od effect size czy 95%CI dla effect size, ma znaczenie czasami. Sprawdze ten pql, nie robiłem na nim jeszcze nic. Popróbuje i najwyżej jeszcze sie odezwe, dzieki

    OdpowiedzUsuń
  4. to już wiem - spojrzałem na output z lmer-a. są dwa wyjścia - albo użyć podawanych tam wartosci odchylenia standardowego dla kazdej wariancji i uzyc zwyklego testu t (istotnosc ronicy takiej wariancji od zera to bedzie ta poszukiwana istotnosc; dokladnieta robi to np SAS) albo uzyc testu likelihood ratio - czyli bierzez wartosci logLik dla modelu z danym czynnikiem losowym (I) i bez niego (II) i testujesz statystyke D = -2(I-II) uzywajac rozkladu chi^2 z df=1.

    OdpowiedzUsuń
  5. ok, rozumiem, chociaz oba rozwiazania dosc upierdliwe, szczegolnie jak sie robi duzo testow (np. na pierwszym etapie exploracji bazy danych, zeby sie zorientowac gdzie moze byc jakikolwiek sygnal... ja czesto mam takie akcje, bo np dostaje od ludzi dane zebrane bez żadnego pomysłu z prośbą "znajdź coś ciekawego"). Ale dzięki, zawsze to jakaś możliwość!

    OdpowiedzUsuń
  6. no i jest ;) a dokładnie - funckja summary zwracająca upragnione wartości P w GLMM została zaimplementowana w ostatnim MCMCglmm. Jarrod nie chwalił się nią zbytnio więc trafiłem na nią przez przypadek, ale grunt że działa. Oczywiście - parametrycznie nie jest to to samo P bo pakiet działa na statystyce bayesowskiej ale to raczej kwestia filozofii, dla czytelnika artu takie Pznaczy dokładnie to samo ;)

    OdpowiedzUsuń