Modele non lineaire a effet mixte

Le but de ce chapitre est de présenter la motivation pour l`utilisation des modèles NLME avec des données groupées et de définir la scène pour les deux chapitres suivants dans le livre, traitant de la théorie et des méthodes de calcul pour les modèles NLME (chapitre 7) et la modélisation non linéaire dans la bibliothèque du nLME (chapitre 8). Lorsque vous spécifiez un modèle à effets mixtes non linéaires, vous définissez une relation covariable de paramètre à l`aide d`un modèle covariable (objet CovariateModel). Par exemple, supposons que vous avez des données de profil PK pour plusieurs individus et que vous estimez trois paramètres (clairance CL, volume du compartiment V, et taux d`élimination k) qui ont des effets fixes et aléatoires. Supposons que la clairance CL a une corrélation avec un poids variable covarié (w) de chaque individu. Chaque paramètre peut être décrit comme une combinaison linéaire d`effets fixes et aléatoires. Un modèle général non linéaire à effets mixtes (NLME) avec variance constante est le suivant: Je conseillerais d`abord d`envisager a) si vous aurez besoin d`un modèle non linéaire, et b) si vous devrez spécifier soit la variance intra-groupe ou les structures de corrélation. Si l`une de ces réponses est oui, alors vous devez utiliser nLME (étant donné que vous collez avec R). Si vous travaillez beaucoup avec des modèles linéaires qui ont traversé des effets aléatoires, ou des combinaisons compliquées d`effets aléatoires imbriqués et croisés, alors lme4 est probablement un meilleur choix. Vous devrez peut-être apprendre à utiliser les deux packages.

J`ai appris lme4 d`abord et puis réalisé que j`ai eu à utiliser nLME parce que je travaille presque toujours avec des structures d`erreur autorégressive. Cependant, je préfère toujours lme4 quand j`analyse les données des expériences avec des facteurs croisés. La bonne nouvelle est qu`une grande partie de ce que j`ai appris sur lme4 transféré bien à nLME. De toute façon, Pinheiro et Bates (2000) est une excellente référence pour les modèles à effets mixtes, et je dis-le est indispensable si vous utilisez nLME. Mappez la variable de réponse des données au composant de modèle. Par exemple, si vous avez les données mesurées de concentration de médicament pour le compartiment central, puis la cartographier à l`espèce médicamenteuse dans le compartiment central (typiquement l`espèce Drug_Central). Les fonctions de production sont un élément important des modèles macroéconomiques. Ils nous disent comment les économies utilisent des intrants tels que le travail et le capital dans le processus de production. Un exemple courant est une élasticité constante de la fonction de production de substitution (CES). Par défaut, sbiofitmixed n`assume aucune covariance entre les effets aléatoires, c`est-à-dire qu`une matrice de covariance diagonale est utilisée. Supposons que vous ayez η1, η2 et η3, et qu`il y ait une covariance σ12 entre η1 et η2.