Nota: esta pergunta é um repost, pois minha pergunta anterior teve que ser excluída por razões legais.
Ao comparar o PROC MIXED do SAS com a função lme
do nlme
pacote no R, deparei-me com algumas diferenças bastante confusas. Mais especificamente, os graus de liberdade nos diferentes testes diferem entre PROC MIXED
e lme
, e eu me perguntava o porquê.
Comece pelo seguinte conjunto de dados (código R fornecido abaixo):
- ind: fator que indica o indivíduo onde a medição é realizada
- fac: órgão onde a medição é feita
- trt: fator que indica o tratamento
- y: alguma variável de resposta contínua
A ideia é criar os seguintes modelos simples:
y ~ trt + (ind)
: ind
como um fator aleatório
y ~ trt + (fac(ind))
: fac
aninhado ind
como um fator aleatório
Observe que o último modelo deve causar singularidades, pois há apenas 1 valor de y
para cada combinação de ind
e fac
.
Primeiro modelo
No SAS, construo o seguinte modelo:
PROC MIXED data=Data;
CLASS ind fac trt;
MODEL y = trt /s;
RANDOM ind /s;
run;
De acordo com os tutoriais, o mesmo modelo em R usando nlme
deve ser:
> require(nlme)
> options(contrasts=c(factor="contr.SAS",ordered="contr.poly"))
> m2<-lme(y~trt,random=~1|ind,data=Data)
Ambos os modelos fornecem as mesmas estimativas para os coeficientes e seus SE, mas ao realizar um teste F para o efeito de trt
, eles usam uma quantidade diferente de graus de liberdade:
SAS :
Type 3 Tests of Fixed Effects
Effect Num DF Den DF F Value Pr > F
trt 1 8 0.89 0.3724
R :
> anova(m2)
numDF denDF F-value p-value
(Intercept) 1 8 70.96836 <.0001
trt 1 6 0.89272 0.3812
Question1: Qual é a diferença entre os dois testes? Ambos são ajustados usando REML e usam os mesmos contrastes.
NOTA: Tentei valores diferentes para a opção DDFM = (incluindo BETWITHIN, que teoricamente deve fornecer os mesmos resultados que o lme)
Segundo modelo
No SAS:
PROC MIXED data=Data;
CLASS ind fac trt;
MODEL y = trt /s;
RANDOM fac(ind) /s;
run;
O modelo equivalente em R deve ser:
> m4<-lme(y~trt,random=~1|ind/fac,data=Data)
Nesse caso, existem algumas diferenças muito estranhas:
- R se encaixa sem reclamar, enquanto o SAS observa que o hessian final não é definitivo (o que não me surpreende nem um pouco, veja acima)
- O SE nos coeficientes difere (é menor no SAS)
- Novamente, o teste F usou uma quantidade diferente de DF (de fato, no SAS, essa quantidade = 0)
Saída SAS:
Effect trt Estimate Std Error DF t Value Pr > |t|
Intercept 0.8863 0.1192 14 7.43 <.0001
trt Cont -0.1788 0.1686 0 -1.06 .
Saída R:
> summary(m4)
...
Fixed effects: y ~ trt
Value Std.Error DF t-value p-value
(Intercept) 0.88625 0.1337743 8 6.624963 0.0002
trtCont -0.17875 0.1891855 6 -0.944840 0.3812
...
(Observe que, nesse caso, os testes F e T são equivalentes e usam o mesmo DF.)
Curiosamente, ao usar lme4
em R, o modelo nem se encaixa:
> require(lme4)
> m4r <- lmer(y~trt+(1|ind/fac),data=Data)
Error in function (fr, FL, start, REML, verbose) :
Number of levels of a grouping factor for the random effects
must be less than the number of observations
Pergunta 2 : Qual é a diferença entre esses modelos com fatores aninhados? Eles foram especificados corretamente e, em caso afirmativo, como é que os resultados são tão diferentes?
Dados simulados em R:
Data <- structure(list(y = c(1.05, 0.86, 1.02, 1.14, 0.68, 1.05, 0.22,
1.07, 0.46, 0.65, 0.41, 0.82, 0.6, 0.49, 0.68, 1.55), ind = structure(c(1L,
2L, 3L, 1L, 3L, 4L, 4L, 2L, 5L, 6L, 7L, 8L, 6L, 5L, 7L, 8L), .Label = c("1",
"2", "3", "4", "5", "6", "7", "8"), class = "factor"), fac = structure(c(1L,
1L, 1L, 2L, 2L, 1L, 2L, 2L, 2L, 1L, 1L, 1L, 2L, 1L, 2L, 2L), .Label = c("l",
"r"), class = "factor"), trt = structure(c(2L, 2L, 2L, 2L, 2L,
2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), .Label = c("Cont",
"Treat"), class = "factor")), .Names = c("y", "ind", "fac", "trt"
), row.names = c(NA, -16L), class = "data.frame")
Dados simulados:
y ind fac trt
1.05 1 l Treat
0.86 2 l Treat
1.02 3 l Treat
1.14 1 r Treat
0.68 3 r Treat
1.05 4 l Treat
0.22 4 r Treat
1.07 2 r Treat
0.46 5 r Cont
0.65 6 l Cont
0.41 7 l Cont
0.82 8 l Cont
0.60 6 r Cont
0.49 5 l Cont
0.68 7 r Cont
1.55 8 r Cont