×
[PR]上記の広告は3ヶ月以上新規記事投稿のないブログに表示されています。新しい記事を書く事で広告が消えます。
線形混合モデルと潜在成長曲線モデルは同じものらしいが、どうもよくわからないので、Rで実行してみて、結果の数値が一致するところから調べて勉強してみる。
⇒ 結論：まだよくわからない。
モデルの指定の仕方がおかしい気がする。lmeは欠損値に強いらしいので、うまく使って、個人のデータを入れて時間経過後の予測ができるようにしたい。
# データフレームをつくる
dat <- data.frame(
g1 = c(8, 11, 9, 7, 8, 15, 8, 9, 8, 15, 3, 9, 11, 13, 10, 13, 13, 11, 8, 8),
g2 = c(14, 17, 16, 10, 22, 22, 16, 12, 14, 17, 15, 14, 16, 21, 20, 22, 16, 17, 13, 12),
g3 = c(16, 20, 20, 19, 28, 30, 25, 25, 24, 14, 15, 21, 18, 28, 25, 23, 23, 23, 18, 15)
)
library(reshape)
sbj <- paste("sbj", 1:nrow(dat), sep="")
dat2 <- data.frame(sbj, dat)
datl <- melt(dat2, id.vars="sbj")
library(lme4)
fitlme <- lmer(value~variable + (1|sbj), data=datl)
summary(fitlme)
PR
長らく更新をさぼってしまいましてすみません。
今後、このサイトはRに加えて、いろいろなことを書いていこうと思います。
最近熱いのはPythonとデータ分析、ベイズ統計、機械学習、項目反応理論なんかです。
そのほか、英語の勉強法とかいろいろ気になったことを書いていくブログにしようかと。
よろしくお願いします。
今後、このサイトはRに加えて、いろいろなことを書いていこうと思います。
最近熱いのはPythonとデータ分析、ベイズ統計、機械学習、項目反応理論なんかです。
そのほか、英語の勉強法とかいろいろ気になったことを書いていくブログにしようかと。
よろしくお願いします。
こちらより、自分用にコピペ。感謝
1.sources.listをテキストエディタで開く
sudo gedit /etc/apt/sources.list
2.以下の行を追加
deb http://cran.md.tsukuba.ac.jp/bin/linux/ubuntu natty/
3.追加後以下のコマンドを実行
$ gpg --keyserver subkeys.pgp.net --recv-key E084DAB9
$ gpg -a --export E084DAB9 | sudo apt-key add -
4.以下のコマンドを実行
$ sudo apt-get update
$ sudo apt-get install r-base
$ sudo apt-get install r-base-dev
$ sudo apt-get install r-cran-*
the batman equation
上のサイトよりコピペ
require(ggplot2)
f1 <- function(x) {
y1 <- 3*sqrt(1-(x/7)^2)
y2 <- -3*sqrt(1-(x/7)^2)
y <- c(y1,y2)
d <- data.frame(x=x,y=y)
d <- d[d$y > -3*sqrt(33)/7,]
return(d)
}
x1 <- c(seq(3, 7, 0.001), seq(-7, -3, 0.001))
d1 <- f1(x1)
p1 <- ggplot(d1,aes(x,y)) + geom_point(color="red")
x2 <- seq(-4,4, 0.001)
y2 <- abs(x2/2)-(3*sqrt(33)-7)*x2^2/112-3 + sqrt(1-(abs(abs(x2)-2)-1)^2)
p2 <- p1 + geom_point(aes(x=x2,y=y2), color="yellow")
x3 <- c(seq(0.75,1,0.001), seq(-1,-0.75,0.001))
y3 <- 9-8*abs(x3)
p3 <- p2+geom_point(aes(x=x3,y=y3), color="green")
x4 <- c(seq(0.5,0.75,0.001), seq(-0.75,-0.5,0.001))
y4 <- 3*abs(x4)+0.75
p4 <- p3+geom_point(aes(x=x4,y=y4), color="steelblue")
x5 <- seq(-0.5,0.5,0.001)
y5 <- rep(2.25,length(x5))
p5 <- p4+geom_point(
require(ggplot2)
aes(x=x5,y=y5))
x6 <- c(seq(-3,-1,0.001), seq(1,3,0.001))
y6 <- 6 * sqrt(10)/7 +
(1.5 - 0.5 * abs(x6)) * sqrt(abs(abs(x6)-1)/(abs(x6)-1)) -
6 * sqrt(10) * sqrt(4-(abs(x6)-1)^2)/14
p6 <- p5+geom_point(aes(x=x6,y=y6), colour="blue")
p <- p6+theme_bw()
print(p)
上のサイトよりコピペ
require(ggplot2)
f1 <- function(x) {
y1 <- 3*sqrt(1-(x/7)^2)
y2 <- -3*sqrt(1-(x/7)^2)
y <- c(y1,y2)
d <- data.frame(x=x,y=y)
d <- d[d$y > -3*sqrt(33)/7,]
return(d)
}
x1 <- c(seq(3, 7, 0.001), seq(-7, -3, 0.001))
d1 <- f1(x1)
p1 <- ggplot(d1,aes(x,y)) + geom_point(color="red")
x2 <- seq(-4,4, 0.001)
y2 <- abs(x2/2)-(3*sqrt(33)-7)*x2^2/112-3 + sqrt(1-(abs(abs(x2)-2)-1)^2)
p2 <- p1 + geom_point(aes(x=x2,y=y2), color="yellow")
x3 <- c(seq(0.75,1,0.001), seq(-1,-0.75,0.001))
y3 <- 9-8*abs(x3)
p3 <- p2+geom_point(aes(x=x3,y=y3), color="green")
x4 <- c(seq(0.5,0.75,0.001), seq(-0.75,-0.5,0.001))
y4 <- 3*abs(x4)+0.75
p4 <- p3+geom_point(aes(x=x4,y=y4), color="steelblue")
x5 <- seq(-0.5,0.5,0.001)
y5 <- rep(2.25,length(x5))
p5 <- p4+geom_point(
require(ggplot2)
aes(x=x5,y=y5))
x6 <- c(seq(-3,-1,0.001), seq(1,3,0.001))
y6 <- 6 * sqrt(10)/7 +
(1.5 - 0.5 * abs(x6)) * sqrt(abs(abs(x6)-1)/(abs(x6)-1)) -
6 * sqrt(10) * sqrt(4-(abs(x6)-1)^2)/14
p6 <- p5+geom_point(aes(x=x6,y=y6), colour="blue")
p <- p6+theme_bw()
print(p)
今はもうほとんどこっちを更新してます。
以下はこのブログへのアクセスに使われた検索ワード
Excelのエラーバーの検索が多いｗ
1 R
2 r
3 エラーバー
4 R (Yahoo検索)
5 ロジスティック
6 spss
7 エクセル
8 棒グラフ
9 2007
10 excel
11 グラフ
12 交互作用
13 効果量
14 多重比較
15 信頼区間
16 lavaan
17 lrm
18 ロジスティック回帰
19 因子分析
20 最尤推定
以下はこのブログへのアクセスに使われた検索ワード
Excelのエラーバーの検索が多いｗ
1 R
2 r
3 エラーバー
4 R (Yahoo検索)
5 ロジスティック
6 spss
7 エクセル
8 棒グラフ
9 2007
10 excel
11 グラフ
12 交互作用
13 効果量
14 多重比較
15 信頼区間
16 lavaan
17 lrm
18 ロジスティック回帰
19 因子分析
20 最尤推定
