R
{{category GLMM}}
{{outline}}
----
!!!GLMM

{{ref_image glmmまとめ.png}}

!リンク関数
,分布,リンク関数例
,正規（gaussian）,identity
,ガンマ（Gamma）,log
,二項（binomial）,logit
,ポアソン（poisson）,log
*http://cse.naro.affrc.go.jp/takezawa/r-tips/r/72.html
!!概要

!ANOVA
*yが数値データ（テストスコア等）
*xがカテゴリーデータ（Low, Mid, High）
 model.1 <- lm(y ~ x, データ）
 model.0 <- lm(y ~ 1, データ）
 anova(model.1, model0)

 Anova(model.1)

 library(MuMIn) 
 options(na.action = "na.fail") 
 dredge(model.1, rank="AIC") 

 summary(model.1)

 confint(model.1)

 library(multcomp)
 summary(glht(model.1, linfct = mcp(group = "Tukey")))
!Multiple Regression Analysis 重回帰分析

!LME

!GLM : Generalized <<Linear Model>>　一般化線形モデル
*一人の被験者からは一回だけ（<<ランダム効果なし>>）

 glm(応答変数 ~ 説明変数, family=分布モデル, data)

*分布モデルは、正規分布以外にも対応
*ランダム効果を入れない点が、glmerとは違う
*交互作用も * で対応
*飽和モデルを作っておいて、step()でモデル選択


*Reference
https://www1.doshisha.ac.jp/~mjin/R/Chap_16/16.html
!GLMM: Generalized Linear <<Mixed>> Model 一般化線形<<混合>>モデル
*一人の被験者について複数回（<<ランダム効果>>を考慮）
*一つの項目について複数回（<<ランダム効果>>を考慮）
*モデル式
{{pre
左辺：目的変数
右辺：説明変数
　　　＋記号で、複数の変数を並べる
　　　：記号で、前後の交互作用を想定する
　　　＊記号で、変数の効果と組み合わせた交互作用の効果（自動で組み合わせてくれる）
　　　（　）に入れるのがランダム効果（被験者のばらつきとか、項目のばらつきとか）
}}

* Reference
https://youtu.be/lY_dzLMF4Jo


!!注意点
!採用するモデルがきまったらsummary()でその結果を報告すること
!グラフはいろいろ描けるが、有意なグラフを見せること
*有意ではない結果のグラフを見せても意味がないので、意味がない。
*plot(allEffects(モデル))
*ggeffects を使うとrawdataも合わせてグラフにできる
!!ランダム効果の注意点
*（１｜変数）とすると、その変数の<<「切片」がランダム>>に異なっていると想定
**　　　（そもそも最初の実力にバラつきがあるとか）
**　　　（そもそも最初から項目にバラつきがあるとか）

*（0+固定効果｜変数）とすると、
**　　　変数の「切片」は固定で、
**　　　固定効果の<<「傾き」がランダム>>に異なっていると想定（最初の0は書かずに省略可）

*（1+固定効果｜変数）とすると、
**　　変数の<<「切片」と固定効果の「傾き」がランダム>>に異なっていると想定
**　　（ただし、切片と傾きに相関が想定される場合）

*（１｜変数）+（0+固定効果｜変数）とすると、
**　　変数の<<「切片」と固定効果の「傾き」がランダム>>に異なっていると想定
**　　（ただし、切片と傾きに相関が想定されない場合、つまり、独立にバラバラ）

**　　★これは、 固定効果 + (固定効果||変数) と書いてもよい
***　　　（1+固定効果A+固定効果B｜変数）のように複数の想定も可能


!!References
*http://data-science.tokyo/ed/edj1-2-1-4.html
*Log-linked Gamma GLM vs log-linked Gaussian GLM vs log-transformed LM https://stats.stackexchange.com/questions/77579/log-linked-gamma-glm-vs-log-linked-gaussian-glm-vs-log-transformed-lm
*Bates et al. (2015) Fitting Linear Mixed-Effects Models Using lme4, J of Statistical Software. 67(1). doi: 10.18637/jss.v067.i01
*https://stats.stackexchange.com/questions/13166/rs-lmer-cheat-sheet/13173#13173
*Barr, Dale J, R. Levy, C. Scheepers und H. J. Tily (2013). Random effects structure for confirmatory hypothesis testing: Keep it maximal. Journal of Memory and Language, 68:255&#8211; 278.
*村山 航, 刺激の効果を侮るなかれ―ランダム刺激効果を含んだ線形混合モデルの重要性と落とし穴―, 基礎心理学研究, 2017, 36 巻, 2 号, p. 236-242, 公開日 2018/06/16, Online ISSN 2188-7977, Print ISSN 0287-7651, https://doi.org/10.14947/psychono.36.40, https://www.jstage.jst.go.jp/article/psychono/36/2/36_36.40/_article/-char/ja
*Murakami 2015 Modeling systematicity and individuality in nonlinear second language development: The case of English grammatical morphemes. https://osf.io/dbuh4/

*[GLMM FAQ|https://bbolker.github.io/mixedmodels-misc/glmmFAQ.html]

*https://kuboweb.github.io/-kubo/ce/FaqGlm.html

*一般化線形モデルを実行したいならRがおすすめ https://www.kyougokumakoto.com/2019/07/r-glm.html

*R言語　一般化線形モデル・glmの使いかた【初心者向け】https://multivariate-statistics.com/2021/03/06/r-programming-generalized-linear-model/

*生態学のデータ解析 - FAQ 一般化線形モデル https://kuboweb.github.io/-kubo/ce/FaqGlm.html

*生態学のデータ解析 - FAQ モデル選択 https://kuboweb.github.io/-kubo/ce/FaqModelSelection.html

*