我的变量是在随机区块上测量的,采用子采样设计,其中我的治疗是23 Accesion.我有3个完整的块和每个块6个样本.示例数据帧具有4个响应变量(LH,REN,FTT,DFR),Accesion(处理),Bloque(块编号)和Plot(这是对子采样进行计算的变量).数据的负责人是：

  Plot Accesion Bloque   LH  REN FTT DFR
1  221       22      1 20.6 1127  23  88
2  221       22      1 20.5 1638  20  88
3  221       22      1 24.5 1319  16  88
4  221       22      1 21.4  960  17  88
5  221       22      1 25.7 1469  18  88
6  221       22      1 25.8 1658  21  88

因此,在所有类型的转换(log,boxcox,power等)之后,几乎所有100个响应变量的数据都是非正态和异方差的.大多数变量显示卡方或泊松分布,每个Accesion的方差不同.

到目前为止,我一直致力于使用FTT上的glmer()作为响应变量来运行Poisson的广义线性模型效应.我正在使用此代码：

FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc,   
family=poisson(link="identity"))

根据shapiro.test(),残差是非正常的.我认为,这是因为残差中观察到的异方差性.作为Accesion残差的箱线图,显示了差异的差异：

植物种群之间存在异方差性,但我知道它可以在内部模拟.正如我已经调查的那样,我应该添加的代码是：

vf <- varIdent(form=~Accesion)

FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc,   
family=poisson(link="identity"), weights = vf)

我希望不同的差异来考虑每个Accesion类别.但我一直收到错误：

06003

有谁知道如何解释glmer()内部的Accesions之间的差异差异？

还欢迎任何其他分析数据的建议.

最佳答案 我已经解决了这个问题.在glmer()中,权重参数对应于与原始长度相同的向量.为了模拟异种性,我生成了一个方差数据帧：

VAR<-aggregate(Lyc[,6],by=list(Lyc$Accesion), var)
colnames(VAR)<-c("Accesion", "Var")

这产生了一个数据帧治疗/方差,它的头部是：

 Accesion       Var
1       22  4.369281
2       23 16.251634
3       24 13.911765
4       25 15.404412
5       26 15.895833
6       27 44.838095

然后我创建一个合并两个数据帧的新数据帧

Lyc2<-merge(VAR, Lyc, by="Accesion")

正如我所看到的那样做错了一次,需要使用逆方差,以便纠正方差.

Lyc2$Var<-(1/Lyc2$Var)

完成所有数据步骤后,我运行代码：

FTTglme = glmer(FTT ~ Accesion + Bloque + (1|Plot), data = Lyc2,    
family=poisson(link="log"), weights = Lyc2$Var)

这解决了方差问题：