Установите G перед использованием MCMCglmm, с категориальным ответом и филогенезом

Я новичок в пакете MCMCglmm в R и довольно новичок в моделях glm в целом. У меня есть набор данных о видовых признаках и о том, были ли они интродуцированы за пределами их естественного ареала.

Я хотел бы проверить, можно ли объяснить введение (как двоичную переменную ответа 0/1) какими-либо признаками вида. Я также хотел бы исправить филогению между видами.

Мне сказали, что для двоичного ответа я могу использовать family = «threshold», и я должен зафиксировать остаточную дисперсию на 1. Но у меня возникли некоторые проблемы с другими параметрами, необходимыми для предыдущего.

Я указал значение R для случайных эффектов, но если я укажу R, я также должен указать G, и мне не ясно, как определить значения для этого параметра. Я пробовал установить значения по умолчанию, но получаю сообщения об ошибках:

Error in MCMCglmm(fixed, random = ~species, data = data2, family = "threshold",  : 
prior$G has the wrong number of structures

Я прочитал справочные виньетки и курс, но не нашел примера с двоичным ответом, и мне непонятно, как определить значения для априорных значений. Вот что у меня есть на данный момент:

fixed=Intro_binary ~ Trait1+ Trait2 + Trait3 
Ainv=inverseA(redTree1)$Ainv

binary_model = MCMCglmm(fixed, random=~species, data = data, family = "threshold", ginverse=list(species=Ainv),
 prior = list( 
    G = list(),    #not sure about the parameters for random effects.
    R = list(V = 1, fix = 1)),  #to fix the residual variance at one
  nitt = 60000, burnin = 10000)

Мы будем благодарны за любую помощь или обратную связь!


r bayesian glm mixed-models phylogeny
person Mila    schedule 09.12.2015    source источник

Ответы (1)


arrow_upward
0
arrow_downward

Это немного сложно с информацией, которую вы предоставляете. Я бы сказал, что вы можете определить G как "слабый" перед использованием:

priors <- list(R = list(V = 1, nu = 0.002),
               G = list(V = 1, fix = 1)))

binary_model <- MCMCglmm(fixed, random = ~species, data = data,
                         family = "threshold",
                         ginverse = list(species = Ainv),
                         prior = priors,
                         nitt = 60000, burnin = 10000)

Однако, не имея дополнительной информации о вашем анализе, я настоятельно рекомендую вам построить апостериорную диаграмму, чтобы взглянуть на результаты и посмотреть, не выглядит ли что-то не так. Взгляните на пакет MCMCglmm Примечания к курсу для подробнее о том, как установить эти априорные значения (особенно о том, что нельзя делать в разделе 1.5 - вы также можете найти более конкретную информацию о том, как настроить его на вашу модель, если он вписывается в категории учебника).

person Thomas Guillerme    schedule 16.04.2018