-
Notifications
You must be signed in to change notification settings - Fork 0
/
3f_met_regions.html
917 lines (822 loc) · 32 KB
/
3f_met_regions.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8" />
<meta name="generator" content="pandoc" />
<meta http-equiv="X-UA-Compatible" content="IE=EDGE" />
<title>Zufällige Effekte mit Varianzstrukturen</title>
<script src="site_libs/jquery-1.11.3/jquery.min.js"></script>
<meta name="viewport" content="width=device-width, initial-scale=1" />
<link href="site_libs/bootstrap-3.3.5/css/lumen.min.css" rel="stylesheet" />
<script src="site_libs/bootstrap-3.3.5/js/bootstrap.min.js"></script>
<script src="site_libs/bootstrap-3.3.5/shim/html5shiv.min.js"></script>
<script src="site_libs/bootstrap-3.3.5/shim/respond.min.js"></script>
<script src="site_libs/jqueryui-1.11.4/jquery-ui.min.js"></script>
<link href="site_libs/tocify-1.9.1/jquery.tocify.css" rel="stylesheet" />
<script src="site_libs/tocify-1.9.1/jquery.tocify.js"></script>
<script src="site_libs/navigation-1.1/tabsets.js"></script>
<link href="site_libs/highlightjs-9.12.0/default.css" rel="stylesheet" />
<script src="site_libs/highlightjs-9.12.0/highlight.js"></script>
<style type="text/css">
code{white-space: pre-wrap;}
span.smallcaps{font-variant: small-caps;}
span.underline{text-decoration: underline;}
div.column{display: inline-block; vertical-align: top; width: 50%;}
div.hanging-indent{margin-left: 1.5em; text-indent: -1.5em;}
ul.task-list{list-style: none;}
</style>
<style type="text/css">code{white-space: pre;}</style>
<style type="text/css">
pre:not([class]) {
background-color: white;
}
</style>
<script type="text/javascript">
if (window.hljs) {
hljs.configure({languages: []});
hljs.initHighlightingOnLoad();
if (document.readyState && document.readyState === "complete") {
window.setTimeout(function() { hljs.initHighlighting(); }, 0);
}
}
</script>
<style type="text/css">
h1 {
font-size: 34px;
}
h1.title {
font-size: 38px;
}
h2 {
font-size: 30px;
}
h3 {
font-size: 24px;
}
h4 {
font-size: 18px;
}
h5 {
font-size: 16px;
}
h6 {
font-size: 12px;
}
.table th:not([align]) {
text-align: left;
}
</style>
<link rel="stylesheet" href="styles.css" type="text/css" />
<style type = "text/css">
.main-container {
max-width: 940px;
margin-left: auto;
margin-right: auto;
}
code {
color: inherit;
background-color: rgba(0, 0, 0, 0.04);
}
img {
max-width:100%;
}
.tabbed-pane {
padding-top: 12px;
}
.html-widget {
margin-bottom: 20px;
}
button.code-folding-btn:focus {
outline: none;
}
summary {
display: list-item;
}
</style>
<style type="text/css">
/* padding for bootstrap navbar */
body {
padding-top: 54px;
padding-bottom: 40px;
}
/* offset scroll position for anchor links (for fixed navbar) */
.section h1 {
padding-top: 59px;
margin-top: -59px;
}
.section h2 {
padding-top: 59px;
margin-top: -59px;
}
.section h3 {
padding-top: 59px;
margin-top: -59px;
}
.section h4 {
padding-top: 59px;
margin-top: -59px;
}
.section h5 {
padding-top: 59px;
margin-top: -59px;
}
.section h6 {
padding-top: 59px;
margin-top: -59px;
}
.dropdown-submenu {
position: relative;
}
.dropdown-submenu>.dropdown-menu {
top: 0;
left: 100%;
margin-top: -6px;
margin-left: -1px;
border-radius: 0 6px 6px 6px;
}
.dropdown-submenu:hover>.dropdown-menu {
display: block;
}
.dropdown-submenu>a:after {
display: block;
content: " ";
float: right;
width: 0;
height: 0;
border-color: transparent;
border-style: solid;
border-width: 5px 0 5px 5px;
border-left-color: #cccccc;
margin-top: 5px;
margin-right: -10px;
}
.dropdown-submenu:hover>a:after {
border-left-color: #ffffff;
}
.dropdown-submenu.pull-left {
float: none;
}
.dropdown-submenu.pull-left>.dropdown-menu {
left: -100%;
margin-left: 10px;
border-radius: 6px 0 6px 6px;
}
</style>
<script>
// manage active state of menu based on current page
$(document).ready(function () {
// active menu anchor
href = window.location.pathname
href = href.substr(href.lastIndexOf('/') + 1)
if (href === "")
href = "index.html";
var menuAnchor = $('a[href="' + href + '"]');
// mark it active
menuAnchor.parent().addClass('active');
// if it's got a parent navbar menu mark it active as well
menuAnchor.closest('li.dropdown').addClass('active');
});
</script>
<!-- tabsets -->
<style type="text/css">
.tabset-dropdown > .nav-tabs {
display: inline-table;
max-height: 500px;
min-height: 44px;
overflow-y: auto;
background: white;
border: 1px solid #ddd;
border-radius: 4px;
}
.tabset-dropdown > .nav-tabs > li.active:before {
content: "";
font-family: 'Glyphicons Halflings';
display: inline-block;
padding: 10px;
border-right: 1px solid #ddd;
}
.tabset-dropdown > .nav-tabs.nav-tabs-open > li.active:before {
content: "";
border: none;
}
.tabset-dropdown > .nav-tabs.nav-tabs-open:before {
content: "";
font-family: 'Glyphicons Halflings';
display: inline-block;
padding: 10px;
border-right: 1px solid #ddd;
}
.tabset-dropdown > .nav-tabs > li.active {
display: block;
}
.tabset-dropdown > .nav-tabs > li > a,
.tabset-dropdown > .nav-tabs > li > a:focus,
.tabset-dropdown > .nav-tabs > li > a:hover {
border: none;
display: inline-block;
border-radius: 4px;
background-color: transparent;
}
.tabset-dropdown > .nav-tabs.nav-tabs-open > li {
display: block;
float: none;
}
.tabset-dropdown > .nav-tabs > li {
display: none;
}
</style>
<!-- code folding -->
<style type="text/css">
#TOC {
margin: 25px 0px 20px 0px;
}
@media (max-width: 768px) {
#TOC {
position: relative;
width: 100%;
}
}
@media print {
.toc-content {
/* see https://github.com/w3c/csswg-drafts/issues/4434 */
float: right;
}
}
.toc-content {
padding-left: 30px;
padding-right: 40px;
}
div.main-container {
max-width: 1200px;
}
div.tocify {
width: 20%;
max-width: 260px;
max-height: 85%;
}
@media (min-width: 768px) and (max-width: 991px) {
div.tocify {
width: 25%;
}
}
@media (max-width: 767px) {
div.tocify {
width: 100%;
max-width: none;
}
}
.tocify ul, .tocify li {
line-height: 20px;
}
.tocify-subheader .tocify-item {
font-size: 0.90em;
}
.tocify .list-group-item {
border-radius: 0px;
}
</style>
</head>
<body>
<div class="container-fluid main-container">
<!-- setup 3col/9col grid for toc_float and main content -->
<div class="row-fluid">
<div class="col-xs-12 col-sm-4 col-md-3">
<div id="TOC" class="tocify">
</div>
</div>
<div class="toc-content col-xs-12 col-sm-8 col-md-9">
<div class="navbar navbar-default navbar-fixed-top" role="navigation">
<div class="container">
<div class="navbar-header">
<button type="button" class="navbar-toggle collapsed" data-toggle="collapse" data-target="#navbar">
<span class="icon-bar"></span>
<span class="icon-bar"></span>
<span class="icon-bar"></span>
</button>
<a class="navbar-brand" href="index.html">crashcouRse</a>
</div>
<div id="navbar" class="navbar-collapse collapse">
<ul class="nav navbar-nav">
<li>
<a href="index.html">Home</a>
</li>
<li class="dropdown">
<a href="#" class="dropdown-toggle" data-toggle="dropdown" role="button" aria-expanded="false">
R Anwendung
<span class="caret"></span>
</a>
<ul class="dropdown-menu" role="menu">
<li>
<a href="datr_importexport.html">Import & Export</a>
</li>
<li>
<a href="datr_descriptivestats.html">Deskriptive Statistik</a>
</li>
<li>
<a href="datr_desplot.html">desplot package</a>
</li>
<li>
<a href="datr_multipledat.html">Loops & Listen</a>
</li>
<li>
<a href="datr_moreadvanced.html">Weitere Tipps</a>
</li>
</ul>
</li>
<li class="dropdown">
<a href="#" class="dropdown-toggle" data-toggle="dropdown" role="button" aria-expanded="false">
Auswertungen
<span class="caret"></span>
</a>
<ul class="dropdown-menu" role="menu">
<li>
<a href="1n_drinks.html">Korrelation & Regression</a>
</li>
<li>
<a href="outlier_vision.html">Ausreisser (Korr & Reg pt.2)</a>
</li>
<li>
<a href="1f_crd.html">1F crd</a>
</li>
<li>
<a href="1f_rcbd.html">1F rcbd</a>
</li>
<li>
<a href="1f_alpha.html">1F alpha</a>
</li>
<li>
<a href="2f_rcbd.html">2F rcbd</a>
</li>
<li>
<a href="2f_splitplot.html">2F split-plot</a>
</li>
<li>
<a href="1f_augmented_blockfixorrandom.html">1F augmented</a>
</li>
<li>
<a href="1f_rcbd_messwdh.html">1F rcbd Messwiederholungen</a>
</li>
<li>
<a href="1f_rcbd_binomial.html">1F rcbd Prozentwerte</a>
</li>
<li>
<a href="1f_latsq_poisson.html">1F lat square Zählwerte</a>
</li>
</ul>
</li>
<li class="dropdown">
<a href="#" class="dropdown-toggle" data-toggle="dropdown" role="button" aria-expanded="false">
Statistik
<span class="caret"></span>
</a>
<ul class="dropdown-menu" role="menu">
<li>
<a href="stat_korrelation.html">Korrelation</a>
</li>
<li>
<a href="stat_regression.html">Regression</a>
</li>
<li>
<a href="appendix_designs.html">Versuchsdesigns</a>
</li>
<li>
<a href="appendix_posthoc.html">ANOVA & Post Hoc</a>
</li>
<li>
<a href="appendix_interaktionen.html">Interaktionen</a>
</li>
<li>
<a href="stat_adjmeans.html">Adj. Mittelwerte</a>
</li>
<li>
<a href="stat_pvalue.html">p-Werte & Signifikanz</a>
</li>
<li>
<a href="stat_gemischtemodelle.html">Gemischte Modelle</a>
</li>
<li>
<a href="appendix_kovarstrukt.html">Kovarianzstrukturen 1</a>
</li>
<li>
<a href="3f_met_regions.html">Kovarianzstrukturen 2</a>
</li>
<li>
<a href="intro_glm_carrot.html">Nicht-Normalverteilte Daten</a>
</li>
<li>
<a href="stat_logisticregression.html">Logistische Regression</a>
</li>
<li>
<a href="appendix_modelrules.html">Modelle aufstellen</a>
</li>
<li>
<a href="stat_samplesize.html">Stichprobenplanung</a>
</li>
</ul>
</li>
<li>
<a href="kontaktseite.html">Kontakt</a>
</li>
</ul>
<ul class="nav navbar-nav navbar-right">
</ul>
</div><!--/.nav-collapse -->
</div><!--/.container -->
</div><!--/.navbar -->
<div class="fluid-row" id="header">
<h1 class="title toc-ignore">Zufällige Effekte mit Varianzstrukturen</h1>
</div>
<p>In diesem Beispiel soll gezeigt werden wir mit dem <code>glmmTMB</code> package Varianzstrukturen für zufällige Effekte (also nicht für den Fehlerterm wie z.B. bei Messwiederholungen) genutzt werden können. Für mehr Infos</p>
<blockquote>
<p>Die Idee für dieses Anwendungsbeispiel basiert auf der MSc Thesis “Statistical data analysis of cultivar trials with subdivided target regions: what does this mean for heritability?” von <a href="https://www.researchgate.net/profile/Muhammad_Afzal118">Muhammad Afzal</a></p>
</blockquote>
<div id="datensatz" class="section level1">
<h1>Datensatz</h1>
<p>In den Jahren 2002 und 2003 wurden an mehreren Standorten Versuche mit Papaya-Sorten gemacht. Dabei wurde an jedem der insgesamt 24 Orte ein randomisierter Versuch mit Wiederholungen durchgeführt. Was genau für ein Versuchsdesign je Ort vorlag, ist aber für uns nicht mehr relavant, da wir in unserem Datensatz bereits nur noch die adjustierten Ertrags-Mittelwerte der insgesamt 51 Sorten je Ort vorliegen haben. Es handelt sich hier also um eine Versuchsserie, oder auch Multi-Environment-Trial (MET), wobei Environment/Umwelt jeweils für eine Jahr-Ort-Kombination steht.</p>
<div class="row">
<div class="col-md-6">
<pre class="r"><code>METdat</code></pre>
<pre><code>## Jahr Ort Sorte Region Ertrag
## 1: 2002 Shanghai Sorte1 Region2 185.8420
## 2: 2002 Shanghai Sorte3 Region2 185.5780
## 3: 2002 Shanghai Sorte5 Region2 172.9940
## 4: 2002 Shanghai Sorte6 Region2 181.9040
## 5: 2002 Shanghai Sorte7 Region2 182.3715
## ---
## 1120: 2003 Kinshasa Sorte40 Region3 205.4880
## 1121: 2003 Kinshasa Sorte41 Region3 229.9300
## 1122: 2003 Kinshasa Sorte47 Region3 208.8100
## 1123: 2003 Kinshasa Sorte48 Region3 220.1730
## 1124: 2003 Kinshasa Sorte50 Region3 207.5395</code></pre>
</div>
<div class="col-md-6">
<pre class="r"><code>str(METdat)</code></pre>
<pre><code>## Classes 'data.table' and 'data.frame': 1124 obs. of 5 variables:
## $ Jahr : Factor w/ 2 levels "2002","..
## $ Ort : Factor w/ 24 levels "Shang"..
## $ Sorte : Factor w/ 51 levels "Sorte"..
## $ Region: Factor w/ 4 levels "Region"..
## $ Ertrag: num 186 186 173 182 182 ...
## - attr(*, ".internal.selfref")=<exter..</code></pre>
</div>
</div>
<p>Die Daten können auf viele Weisen deskriptiv ausgewertet werden. In folgendem Plot wird beispielsweise deutlich, dass das Jahr 2002 zu höheren Erträgen geführt hat als 2003. Außerdem eignen sich die Orte unterschiedlich gut für den Papayaanbau und nicht an jedem Ort wurde auch in beiden Jahren ein Versuch durchgeführt.</p>
<pre class="r"><code>library(ggplot2)
ggplot(data=METdat, aes(y=Ertrag, x=Ort)) +
geom_jitter(aes(color=Jahr), width=0.1, alpha=0.5) +
theme_classic() +
theme(axis.text.x = element_text(angle=90, hjust=1, vjust=0.5),
legend.position = "top")</code></pre>
<p><img src="3f_met_regions_files/figure-html/unnamed-chunk-5-1.png" width="480" style="display: block; margin: auto;" /></p>
<p>Außerdem sind die Versuchsstandorte verschiedenen Regionen zugeordnet. Die Regionen wurden ehemals so eingeteilt, dass in derselben Region immer ähnliche Wachstumsbedingungen herrschen. Es ist also zumindest zu erwarten, dass Papayas an Orten innerhalb derselben Region ähnlich gut wachsen.</p>
<div class="row">
<div class="col-md-6">
<pre class="r"><code># Anzahl Sortenmittelwerte je Ort-Jahr-Kombination
METdat %>% select(Ort, Jahr) %>% table</code></pre>
<pre><code>## Jahr
## Ort 2002 2003
## Shanghai 28 23
## Karachi 46 38
## Buenos Aires 28 23
## Manila 18 38
## Soul 28 0
## Sao Paulo 46 38
## Istanbul 28 23
## Lagos 28 23
## Mexico City 28 23
## Tokyo 28 23
## New York 28 23
## Kinshasa 18 15
## London 18 0
## Tehran 28 23
## Dhaka 28 23
## Lahore 0 23
## Rio de Janeiro 28 23
## Santiago 28 23
## Calcutta 28 23
## Rangoon 28 0
## Riyadh 28 23
## Chongqing 28 0
## Saint Petersburg 28 23
## Chengdu 28 0</code></pre>
</div>
<div class="col-md-6">
<pre class="r"><code># Zugehörigkeit der Orte zu Regionen
METdat %>% select(Ort, Region) %>% unique %>% arrange(Region)</code></pre>
<pre><code>## Ort Region
## 1: Soul Region11
## 2: Rio de Janeiro Region11
## 3: Chongqing Region11
## 4: Chengdu Region11
## 5: Lahore Region11
## 6: Shanghai Region2
## 7: Buenos Aires Region2
## 8: Sao Paulo Region2
## 9: Mexico City Region2
## 10: Tokyo Region2
## 11: Dhaka Region2
## 12: Rangoon Region2
## 13: Saint Petersburg Region2
## 14: London Region2
## 15: Karachi Region3
## 16: Tehran Region3
## 17: Santiago Region3
## 18: Manila Region3
## 19: Kinshasa Region3
## 20: Istanbul Region6
## 21: Lagos Region6
## 22: New York Region6
## 23: Calcutta Region6
## 24: Riyadh Region6
## Ort Region</code></pre>
</div>
</div>
<pre class="r"><code>library(ggplot2)
ggplot(data=METdat, aes(y=Ertrag, x=Ort)) +
geom_jitter(aes(color=Region), width=0.1, alpha=0.5) +
geom_boxplot(alpha=0.5) +
theme_classic() +
theme(axis.text.x = element_text(angle=90, hjust=1, vjust=0.5),
legend.position = "top")</code></pre>
<p><img src="3f_met_regions_files/figure-html/unnamed-chunk-8-1.png" width="480" style="display: block; margin: auto;" /></p>
</div>
<div id="versuchsserien-modell" class="section level1">
<h1>Versuchsserien-Modell</h1>
<p>Mit Daten wie diesen wird oft ein Modell aufgestellt, dass je einen Haupteffekt für Sorte, Ort und Jahr hat, sowie all deren Interaktionseffekte. Desweiteren werden diese Effekte wenn möglich auch als zufällige Effekte ins Modell aufgenommen. Selbst wenn alle dieser Effekte zufällig sind, gibt es jedoch weiterhin <span class="math inline">\(\mu\)</span> im Modell, welches ein fester Effekt ist, sodass es sich so oder so um ein gemischtes lineares Modell handelt.</p>
<blockquote>
<p><strong>Mehr zu solchen Versuchsserien und deren Modellen:</strong> <br> Piepho, H. P., and J. Möhring. <a href="https://dl.sciencesocieties.org/publications/cs/abstracts/45/3/1151">“Best linear unbiased prediction of cultivar effects for subdivided target regions.”</a> Crop Science 45.3 (2005): 1151-1159. <br> Damesa, T. M., Möhring, J., Worku, M., & Piepho, H. P. (2017). <a href="https://dl.sciencesocieties.org/publications/aj/abstracts/109/3/845">One step at a time: stage-wise analysis of a series of experiments.</a> Agronomy Journal, 109(3), 845-857. <br> Piepho, Hans‐Peter, et al. <a href="https://onlinelibrary.wiley.com/doi/abs/10.1002/bimj.201100219?casa_token=SUAQpFVm3WkAAAAA:QtMKChq-04ZiO7bsGFVQiYl7edOmbt9y6HW0CwHPcp0BL2k6sjaOSx6BHA7ecoetiqGwHbZBfEwWRAA">“A stage‐wise approach for the analysis of multi‐environment trials.”</a> Biometrical Journal 54.6 (2012): 844-860. <br> Schmidt, P., et al. <a href="https://dl.sciencesocieties.org/publications/cs/abstracts/58/4/1508">“More, larger, simpler: How comparable are on-farm and on-station trials for cultivar evaluation?.”</a> Crop Science 58.4 (2018): 1508-1518.</p>
</blockquote>
<p>Wir können solch ein Modell wie folgt aufstellen:</p>
<pre class="r"><code>library(glmmTMB)</code></pre>
<pre><code>## Warning: package 'glmmTMB' was built under R version 4.0.3</code></pre>
<pre class="r"><code>mod1 <- glmmTMB(Ertrag ~ (1|Sorte) + (1|Ort) + (1|Jahr) +
(1|Sorte:Ort) + (1|Sorte:Jahr) + (1|Jahr:Ort),
data=METdat)</code></pre>
<div class="row">
<div class="col-md-6">
<pre class="r"><code>AIC(mod1) # AIC-Wert</code></pre>
<pre><code>## [1] 9116.258</code></pre>
<pre class="r"><code>fixef(mod1) # Lösung feste Effekte (hier nur mu)</code></pre>
<pre><code>##
## Conditional model:
## (Intercept)
## 206</code></pre>
</div>
<div class="col-md-6">
<pre class="r"><code>VarCorr(mod1) # Varianzkomponenten (bzw. deren Wurzel -> Std.Abw.)</code></pre>
<pre><code>##
## Conditional model:
## Groups Name Std.Dev.
## Sorte (Intercept) 7.8281
## Ort (Intercept) 21.2585
## Jahr (Intercept) 16.4211
## Sorte:Ort (Intercept) 3.8692
## Sorte:Jahr (Intercept) 5.1317
## Jahr:Ort (Intercept) 16.4701
## Residual 11.2212</code></pre>
</div>
</div>
<div id="erweiterung-um-regions-effekte" class="section level2">
<h2>Erweiterung um Regions-Effekte</h2>
<p>Anstatt ein Modell wie das oben anzupassen, welches nur eine Varianzkomponente für alle Sorten an allen Orten zulässt, könnten wir die Informationen zu den Regionen mit ins Modell aufnehmen. Zunächst können wir einfach <code>Region</code> als (festen) Effekt mit ins Modell nehmen und zwar so, dass jeder <code>Ort</code>-Effekt nun immer geschachtel im <code>Region</code> Effekt vorkommt (mehr dazu <a href="https://dl.sciencesocieties.org/publications/cs/abstracts/45/3/1151">hier</a>):</p>
<pre class="r"><code>mod2 <- glmmTMB(Ertrag ~ Region + (1|Sorte) + (1|Ort:Region) + (1|Jahr) +
(1|Jahr:Ort:Region) + (1|Sorte:Ort:Region) +
(1|Sorte:Jahr),
data=METdat)
AIC(mod2) # AIC-Wert</code></pre>
<pre><code>## [1] 9116.053</code></pre>
<pre class="r"><code>fixef(mod2) # Lösung feste Effekte</code></pre>
<pre><code>##
## Conditional model:
## (Intercept) RegionRegion2 RegionRegion3 RegionRegion6
## 186.73 20.11 37.18 15.73</code></pre>
<pre class="r"><code>VarCorr(mod2) # Varianzkomponenten (bzw. deren Wurzel -> Std.Abw.)</code></pre>
<pre><code>##
## Conditional model:
## Groups Name Std.Dev.
## Sorte (Intercept) 7.8271
## Ort:Region (Intercept) 17.8058
## Jahr (Intercept) 16.7759
## Jahr:Ort:Region (Intercept) 16.2713
## Sorte:Ort:Region (Intercept) 3.8709
## Sorte:Jahr (Intercept) 5.1320
## Residual 11.2206</code></pre>
<pre class="r"><code>VarCorr(mod2)$cond$Sorte # Details zur Varianzkomponente für Sorte</code></pre>
<pre><code>## (Intercept)
## (Intercept) 61.26284
## attr(,"stddev")
## (Intercept)
## 7.827058
## attr(,"correlation")
## (Intercept)
## (Intercept) 1
## attr(,"blockCode")
## us
## 1</code></pre>
<p>Soweit so gut - jetzt kommt der interessante Teil dieses Beispiels. Zusätzlich können wir anstelle von einer Varianzkomponente für den zufälligen Sorten-Haupteffekt einen pro Region anpassen. Das ist aus biologischer Sicht naheliegend, weil wir so erlauben, dass die Sorten je Region unterschiedlich variieren - im Sinne von streuen. Dies lässt sich mit folgender Syntax umsetzen:</p>
<pre class="r"><code>mod3 <- glmmTMB(Ertrag ~ Region + diag(0+Region|Sorte) + (1|Ort:Region) + (1|Jahr) +
(1|Jahr:Ort:Region) + (1|Sorte:Ort:Region) +
(1|Sorte:Jahr),
data=METdat)
AIC(mod3) # AIC-Wert</code></pre>
<pre><code>## [1] 9121.651</code></pre>
<pre class="r"><code>fixef(mod3) # Lösung feste Effekte</code></pre>
<pre><code>##
## Conditional model:
## (Intercept) RegionRegion2 RegionRegion3 RegionRegion6
## 187.18 20.38 37.30 15.77</code></pre>
<pre class="r"><code>VarCorr(mod3) # Varianzkomponenten (bzw. deren Wurzel -> Std.Abw.)</code></pre>
<pre><code>##
## Conditional model:
## Groups Name Std.Dev. Corr
## Sorte RegionRegion11 2.2860e+00
## RegionRegion2 3.5148e+00 0.000
## RegionRegion3 4.7569e+00 0.000 0.000
## RegionRegion6 3.6828e-05 0.000 0.000 0.000
## Ort:Region (Intercept) 1.7846e+01
## Jahr (Intercept) 1.6007e+01
## Jahr:Ort:Region (Intercept) 1.6276e+01
## Sorte:Ort:Region (Intercept) 2.9010e+00
## Sorte:Jahr (Intercept) 8.5520e+00
## Residual 1.1213e+01</code></pre>
<pre class="r"><code>VarCorr(mod3)$cond$Sorte # Details zur Varianzkomponente für Sorte</code></pre>
<pre><code>## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## RegionRegion11 5.225864 0.00000 0.00000 0.000000e+00
## RegionRegion2 0.000000 12.35414 0.00000 0.000000e+00
## RegionRegion3 0.000000 0.00000 22.62824 0.000000e+00
## RegionRegion6 0.000000 0.00000 0.00000 1.356324e-09
## attr(,"stddev")
## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## 2.286015e+00 3.514846e+00 4.756915e+00 3.682831e-05
## attr(,"correlation")
## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## RegionRegion11 1 0 0 0
## RegionRegion2 0 1 0 0
## RegionRegion3 0 0 1 0
## RegionRegion6 0 0 0 1
## attr(,"blockCode")
## diag
## 0</code></pre>
<p>Wir können aber noch weiter gehen und nun auch noch Korrelation zwischen den Regionen erlauben. Demnach passen wir einen zufälligen Sortenhaupteffekt mit regionsspezifischen Varianzkomponenten und sogar Kovarianz zwischen den Regionen an. Allerdings wählen wir vorerst die <code>cs</code> (Compound Symmetry) Varianzstruktur, welche von ein und derselben Korrelation zwischen allen Regionen ausgeht:</p>
<pre class="r"><code>mod4 <- glmmTMB(Ertrag ~ Region + cs(0+Region|Sorte) + (1|Ort:Region) + (1|Jahr) +
(1|Jahr:Ort:Region) + (1|Sorte:Ort:Region) +
(1|Sorte:Jahr),
data=METdat)
AIC(mod4) # AIC-Wert</code></pre>
<pre><code>## [1] 9116.188</code></pre>
<pre class="r"><code>fixef(mod4) # Lösung feste Effekte</code></pre>
<pre><code>##
## Conditional model:
## (Intercept) RegionRegion2 RegionRegion3 RegionRegion6
## 186.65 20.29 37.25 15.79</code></pre>
<pre class="r"><code>VarCorr(mod4) # Varianzkomponenten (bzw. deren Wurzel -> Std.Abw.)</code></pre>
<pre><code>##
## Conditional model:
## Groups Name Std.Dev. Corr
## Sorte RegionRegion11 7.4340 0.896 (cs)
## Ort:Region (Intercept) 17.8314
## Jahr (Intercept) 16.7894
## Jahr:Ort:Region (Intercept) 16.3032
## Sorte:Ort:Region (Intercept) 2.9776
## Sorte:Jahr (Intercept) 5.1023
## Residual 11.2447</code></pre>
<pre class="r"><code>VarCorr(mod4)$cond$Sorte # Details zur Varianzkomponente für Sorte</code></pre>
<pre><code>## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## RegionRegion11 55.26503 50.71199 64.80986 45.12340
## RegionRegion2 50.71199 57.90495 66.33974 46.18856
## RegionRegion3 64.80986 66.33974 94.57506 59.02893
## RegionRegion6 45.12340 46.18856 59.02893 45.84563
## attr(,"stddev")
## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## 7.434046 7.609530 9.724971 6.770940
## attr(,"correlation")
## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## RegionRegion11 1.0000000 0.8964531 0.8964531 0.8964531
## RegionRegion2 0.8964531 1.0000000 0.8964531 0.8964531
## RegionRegion3 0.8964531 0.8964531 1.0000000 0.8964531
## RegionRegion6 0.8964531 0.8964531 0.8964531 1.0000000
## attr(,"blockCode")
## cs
## 2</code></pre>
<p>Schließlich probieren wir zumindest noch die flexibelste Varianzstruktur <code>us()</code> (Unstructured) - heterogene Varianzen je Region und heterogene Kovarianzen zwischen Regionen:</p>
<pre class="r"><code>mod5 <- glmmTMB(Ertrag ~ Region + us(0+Region|Sorte) + (1|Ort:Region) + (1|Jahr) +
(1|Jahr:Ort:Region) + (1|Sorte:Ort:Region) +
(1|Sorte:Jahr),
data=METdat)</code></pre>
<pre><code>## Warning in fitTMB(TMBStruc): Model convergence problem; non-positive-definite
## Hessian matrix. See vignette('troubleshooting')</code></pre>
<pre class="r"><code>AIC(mod5) # AIC-Wert</code></pre>
<pre><code>## [1] NA</code></pre>
<pre class="r"><code>fixef(mod5) # Lösung feste Effekte</code></pre>
<pre><code>##
## Conditional model:
## (Intercept) RegionRegion2 RegionRegion3 RegionRegion6
## 187.26 20.22 37.16 15.52</code></pre>
<pre class="r"><code>VarCorr(mod5) # Varianzkomponenten (bzw. deren Wurzel -> Std.Abw.)</code></pre>
<pre><code>##
## Conditional model:
## Groups Name Std.Dev. Corr
## Sorte RegionRegion11 2.3078e-10
## RegionRegion2 4.5173e+00 -0.999
## RegionRegion3 7.1367e+00 -0.587 0.588
## RegionRegion6 3.1882e+00 -0.567 0.568 1.000
## Ort:Region (Intercept) 1.7860e+01
## Jahr (Intercept) 1.6086e+01
## Jahr:Ort:Region (Intercept) 1.6270e+01
## Sorte:Ort:Region (Intercept) 2.7470e+00
## Sorte:Jahr (Intercept) 7.9203e+00
## Residual 1.1219e+01</code></pre>
<pre class="r"><code>VarCorr(mod5)$cond$Sorte # Details zur Varianzkomponente für Sorte</code></pre>
<pre><code>## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## RegionRegion11 5.325755e-20 -1.041089e-09 -9.673429e-10 -4.172610e-10
## RegionRegion2 -1.041089e-09 2.040614e+01 1.897220e+01 8.183874e+00
## RegionRegion3 -9.673429e-10 1.897220e+01 5.093267e+01 2.274389e+01
## RegionRegion6 -4.172610e-10 8.183874e+00 2.274389e+01 1.016468e+01
## attr(,"stddev")
## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## 2.307760e-10 4.517315e+00 7.136713e+00 3.188210e+00
## attr(,"correlation")
## RegionRegion11 RegionRegion2 RegionRegion3 RegionRegion6
## RegionRegion11 1.0000000 -0.9986584 -0.5873428 -0.5671140
## RegionRegion2 -0.9986584 1.0000000 0.5884899 0.5682398
## RegionRegion3 -0.5873428 0.5884899 1.0000000 0.9995847
## RegionRegion6 -0.5671140 0.5682398 0.9995847 1.0000000
## attr(,"blockCode")
## us
## 1</code></pre>
<p>Mehr zu Varianzstrukturen gibt’s <a href="appendix_kovarstrukt.html">hier</a>.</p>
</div>
</div>
<hr />
<p style="text-align: center;">Bei Fragen kannst du mir gerne schreiben!</p>
<p style="text-align: center;"><span style="color: #808080;"><em>[email protected]</em></span></p>
<!-- Add icon library -->
<link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/4.7.0/css/font-awesome.min.css">
<!-- Add font awesome icons -->
<p style="text-align: center;">
<a href="https://www.researchgate.net/profile/Paul_Schmidt17/research" class="fa fa-pencil"></a>
<a href="https://www.linkedin.com/in/schmidtpaul1989/" class="fa fa-linkedin"></a>
<a href="https://www.xing.com/profile/Paul_Schmidt203/cv/" class="fa fa-xing"></a>
<a href="https://github.com/SchmidtPaul/" class="fa fa-github"></a>
</p>
<a href="https://hits.seeyoufarm.com"><img src="https://hits.seeyoufarm.com/api/count/incr/badge.svg?url=https%3A%2F%2Fschmidtpaul.github.io%2FcrashcouRse%2F&count_bg=%23003F75&title_bg=%23555555&icon=&icon_color=%23E7E7E7&title=hits&edge_flat=false" class="center"/></a>
</div>
</div>
</div>
<script>
// add bootstrap table styles to pandoc tables
function bootstrapStylePandocTables() {
$('tr.header').parent('thead').parent('table').addClass('table table-condensed');
}
$(document).ready(function () {
bootstrapStylePandocTables();
});
</script>
<!-- tabsets -->
<script>
$(document).ready(function () {
window.buildTabsets("TOC");
});
$(document).ready(function () {
$('.tabset-dropdown > .nav-tabs > li').click(function () {
$(this).parent().toggleClass('nav-tabs-open')
});
});
</script>
<!-- code folding -->
<script>
$(document).ready(function () {
// move toc-ignore selectors from section div to header
$('div.section.toc-ignore')
.removeClass('toc-ignore')
.children('h1,h2,h3,h4,h5').addClass('toc-ignore');
// establish options
var options = {
selectors: "h1,h2,h3",
theme: "bootstrap3",
context: '.toc-content',
hashGenerator: function (text) {
return text.replace(/[.\\/?&!#<>]/g, '').replace(/\s/g, '_');
},
ignoreSelector: ".toc-ignore",
scrollTo: 0
};
options.showAndHide = true;
options.smoothScroll = true;
// tocify
var toc = $("#TOC").tocify(options).data("toc-tocify");
});
</script>
<!-- dynamically load mathjax for compatibility with self-contained -->
<script>
(function () {
var script = document.createElement("script");
script.type = "text/javascript";
script.src = "https://mathjax.rstudio.com/latest/MathJax.js?config=TeX-AMS-MML_HTMLorMML";
document.getElementsByTagName("head")[0].appendChild(script);
})();
</script>
</body>
</html>