原文下载链接：http://tecdat.cn/?p=29196
最近我们被客户要求撰写关于逻辑回归混合效应模型的研究报告，包括一些图形和统计输出。
吸烟、喝酒和赌博被认为是由许多因素造成的。Logistic回归分析是一个非常有效的模型，可以检验各种解释变量和二元反应变量之间的关系。同时，双变量模型分析也被用于检验单变量模型之间的相关性。本项目的目的是利用统计方法来检验某个因素是否对吸烟、喝酒或赌博偏好有显著影响。然后用这个结果来预测这些习惯之间的组合
绪论
本节介绍了 "解释吸烟喝酒和赌博的参与 "的研究背景。实际上，由于吸烟、喝酒和赌博的双重性和复杂性，它们的争论从未停止。大量的人把吸烟、喝酒和赌博当作坏习惯，有许多原因使他们反对这些习惯，许多研究也支持他们的观点。
文献回顾
涉及吸烟、饮酒和赌博习惯的关联的文献越来越多。在早期的研究中，许多研究者认为，吸烟、喝酒和赌博有明显的结合。每天吸烟的人比非每天吸烟的人更有可能参与赌博活动。每日吸烟者比非每日吸烟者在赌博上花费更多的时间和金钱（Nancy M. Petry和Cheryl Oncken，2002）。
方法论
模型假设
从数据集来看，吸烟、喝酒和赌博的反应显然只有是或不是，这是二进制的。而且，所有的解释因素都可以被归类或被视为连续的。因此，使用Logistic回归作为基本模型是可靠的。
基础知识。Logistic回归可以是二元的，也可以是多元的。在二进制中，结果只能是0或1，而在多进制中，结果可以是三个或更多，例如，A、B和C三个级别。
Logistic函数是
然后
如果有多个解释变量，上述表达式β0+β1x可以修改为β0+β1x1+β2x2+...。+ βmxm。在这种情况下，我们假设：Y1=吸烟，Y2=喝酒，Y3=赌博。我们有8个解释变量，每个解释变量可以分为几个类别。因此
和
其中i = 1, 2, 3
那么，如果吸烟，y1=1，否则y1=0。
y2 = 1，如果喝酒，y2 = 0，否则。
y3=1，如果赌博，y3=0，否则。
此外，随机效应也应该被添加到模型中。
带随机效应的Logistic回归
分析数据
以下显示了我们如何进行这项研究。首先，我们参考文献和以前所做的研究，以确定那些被认为对吸烟、喝酒和赌博有重大影响的潜在变量。
结果
在这一部分中，我们将对单一分类的解释因素进行分析。首先，将使用箱形图来显示连续变量与吸烟、饮酒和赌博等的关联。箱形图将显示连续变量与Yi的关系。同时，条形图将被用来显示分类变量的影响。
吸烟结果
ggplot(smoke_age,aes(as.factor(smoking),age))+geom_boxplot()+labs(title="Smoking-age",x="smoking",y="age")
从图1可以看出，吸烟者的年龄中位数比非吸烟者小。吸烟者的年龄段在18至87岁之间，而非吸烟者则分布在各个年龄段。该图表明，年轻人更有可能吸烟。年龄对吸烟有明显的影响，年龄的估计值为-0.1017，这意味着吸烟和年龄有负相关。
ggplot(smoke_gender, aes(gender,fill=as.factor(smoking)))+geom_bar(position = "fill")+labs(title ="Smoking-gender", x = "gender", y = "smoking")
参照图2，1代表吸烟者，0代表不吸烟者。图中显示，男性吸烟者比女性吸烟者多一点，这意味着性别对吸烟偏好有影响。R输出也给出了同样的结论，P值是显著的，男性的估计值为0.20793，这意味着男性更可能吸烟。
图3表明，教育水平对吸烟习惯有显著影响。吸烟的概率按照教育水平的顺序排列。拥有较高教育水平的人吸烟的可能性较小。尽管数据不详，但很明显，拥有学位的人最不可能吸烟，而没有学历的人最可能吸烟。HNC组的吸烟者比EDU-18以下组少。图4右侧的估计值与图中的数据相符。随着教育水平的提高，吸烟者的概率明显下降。吸烟的概率与教育水平呈负相关。
点击标题查阅往期内容
R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例
左右滑动查看更多
01
02
03
04
带有随机效应的单变量模型
检查随机效应的显著性
fit.no < −glm(gambler 1, f amily = binomial(logit0))
And check significance using
anova(f it.ID, f it.no)
在'fit.no'中加入随机效应后，AIC从1269.5降低到895.3，P值显示了家庭ID的显著影响。因此，在单变量模型中加入随机效应是合理的。
使用'lme4'拟合单变量模型
在这一节中，吸烟、喝酒和赌博的数据将在单变量模型中被拟合。以下是来自R的结果。
re.smoker=glmer(smoker~male+age+income+whiteO+mixed+asian+chinese+african+other+degresummary(re.smoker)
表2包含对吸烟偏好有明显影响的变量。可以得出结论：男性、年轻、收入低、无学历、单身、分居或失业的人更有可能成为吸烟者。而女性、年龄较大、收入较高、有学位、学生或退休的人则不太可能成为烟民。饮酒模型也有和吸烟模型一样的问题，所以我们也需要放弃一些列以确保模型能够收敛。
以上是本项目中的单变量模型，每个模型都已经分析过了，接下来我们将使用这些单变量模型来拟合双变量模型。
使用 "MCMCglmm "拟合单变量模型
由于每个单变量模型都是由一系列因素拟合的，为了了解反应是如何相互影响的，我们可能还要考虑到与其他性状可能存在的协方差。
model.smoker<- MCMCglmm(smoker~male+age+income+whiteO+mixed+asian+chinese+african+arasummary(model.smoker)
表5中的显著变量与表2非常相似，唯一不同的是，被放弃的变量 "edu unknown "和 "employother "在表5中是显著变量。
从表6和表3可以看出，使用'lme4'和'MCMCglmm'的饮酒模型预测了相同的显著效果。
与表7和表4相比，大多数重要的变量是相同的，只有 "失业 "在使用 "lme4 "的赌博模型中不显著。
使用'MCMCglmm'的双变量模型
在本节中，我们将计算出本项目的最终结果，即吸烟、喝酒和赌博习惯之间的关系。
在这里，我们可以计算出吸烟者和饮酒者之间的相关关系，其方差为
相关性=posterior.mode(correlation) = 0.16
正相关表明，在这个双变量模型中，喜欢吸烟的人更可能是饮酒者。
在分析了吸烟者和饮酒者之间的相关性之后，我们现在用双变量的'MCMCglmm'模型来测试吸烟者和赌博者之间的关系船。表9显示了单变量模型的协变量。
启示
通过使用逻辑回归法，我们能够确定导致吸烟、喝酒和赌博的重要因素。在本项目中，似乎对这三种习惯都有影响的重要因素是性别、教育水平和婚姻状况。同时，本研究还给出了每个分类因素的估计值，这可以用来说明某个因素对这些习惯的影响是积极的还是消极的。
吸烟、饮酒和赌博之间的组合是通过双变量模型来检验的。利用这个模型，我们可以得到吸烟模型、饮酒模型和赌博模型之间的固定和随机效应的相关关系。例如，通过正相关关系，我们可以说明喜欢吸烟的人也会喜欢喝酒。
References
Kenneth J.Mukamal. The effects of smoking and drinking on cardiovascular disease and risk factors. Alcohol Research & Health Vol. 29, No. 3, 2006
William J. Blot, Joseph K. McLaughlin, Deborah M. Winn, et al. 吸烟和饮酒与口腔和咽喉癌的关系. 癌症研究》1988；48：3282-3287。
点击文末 “阅读原文”
获取全文完整代码数据资料。
本文选自《R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据》。
点击标题查阅往期内容
R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例
非线性混合效应 NLME模型对抗哮喘药物茶碱动力学研究
生态学模拟对广义线性混合模型GLMM进行功率（功效、效能、效力）分析power analysis环境监测数据
有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据
如何用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据
R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言建立和可视化混合效应模型mixed effect model
R语言LME4混合效应模型研究教师的受欢迎程度
R语言 线性混合效应模型实战案例
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题
基于R语言的lmer混合线性回归模型
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
R语言分层线性模型案例
R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据
用SPSS估计HLM多层（层次）线性模型模型