---
webr:
packages: [lme4, lmerTest, ggplot2]
resources: [R/setup.R]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# ランダム傾きモデル {#sec-random-slope}
```{r}
#| include: false
source("R/setup.R")
fit_rs <- lmer(Reaction ~ Days + (Days | Subject), data = sleepstudy)
```
```{webr}
#| include: false
source("R/setup.R")
```
::: {.callout-tip}
## この章はブラウザ上で R を実行できます
コードセルは **編集して「Run Code」を押すと再実行** できます(R はあなたのブラウザ内で動いています)。
初回はパッケージの読み込みに数十秒かかります。数値を変えて結果がどう変わるか、自由に試してください。
:::
前章では「切片だけが学校ごとに違う(直線は平行)」と考えました。でも、**傾きもグループごとに違う** かもしれません。
## 今回のデータ:睡眠不足の実験 (`sleepstudy`)
lme4 パッケージに付属している実データです。18 人の被験者が、睡眠を 1 日 3 時間に制限された状態で 10 日間過ごし、毎日 **反応時間 (Reaction, ミリ秒)** を測りました。
```{webr}
data(sleepstudy)
head(sleepstudy)
str(sleepstudy)
```
- `Reaction`:反応時間(ms)。大きいほど反応が遅い
- `Days`:睡眠制限の日数(0〜9)
- `Subject`:被験者 ID
同じ人を 10 回測っているので、**被験者がグループ** です(反復測定データ)。
```{webr}
#| fig-height: 6
ggplot(sleepstudy, aes(Days, Reaction)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
facet_wrap(~ Subject, ncol = 6) +
scale_x_continuous(breaks = c(0, 3, 6, 9))
```
被験者ごとに、
- 最初の反応時間(切片)が違う
- 日数とともに遅くなるペース(**傾き**)も違う。ほとんど変わらない人もいれば、急激に悪化する人もいる
ことが見て取れます。
## モデル式
被験者 $j$ の $i$ 日目の測定について、
$$
\text{Reaction}_{ij} = (\beta_0 + u_{0j}) + (\beta_1 + u_{1j}) \cdot \text{Days}_{ij} + \varepsilon_{ij}
$$
- $u_{0j}$:被験者 $j$ の **切片** のずれ
- $u_{1j}$:被験者 $j$ の **傾き** のずれ
$u_{0j}$ と $u_{1j}$ はペアで2次元の正規分布に従うと仮定します:
$$
\begin{pmatrix} u_{0j} \\ u_{1j} \end{pmatrix} \sim N\left( \begin{pmatrix} 0 \\ 0 \end{pmatrix}, \begin{pmatrix} \tau_0^2 & \rho\tau_0\tau_1 \\ \rho\tau_0\tau_1 & \tau_1^2 \end{pmatrix} \right)
$$
難しく見えますが、推定するのは次の 3 つだけです。
| 記号 | 意味 |
|---|---|
| $\tau_0$ | 切片の個人差の大きさ(SD) |
| $\tau_1$ | 傾きの個人差の大きさ(SD) |
| $\rho$(ロー) | 切片と傾きの相関。例:「元々反応が遅い人ほど悪化も速い」なら正 |
## R の書き方
```r
lmer(Reaction ~ Days + (Days | Subject), data = sleepstudy)
```
`(Days | Subject)` は `(1 + Days | Subject)` の省略形で、「被験者ごとに切片と `Days` の傾きがばらつく」という意味です。
| 書き方 | 意味 |
|---|---|
| `(1 | g)` | 切片のみランダム |
| `(x | g)` = `(1 + x | g)` | 切片と傾きがランダム、両者の相関も推定 |
| `(x || g)` | 切片と傾きがランダム、**相関は 0 と仮定**(パラメータ数を減らす) |
| `(0 + x | g)` | 傾きのみランダム |
## 当てはめ
```{webr}
fit_rs <- lmer(Reaction ~ Days + (Days | Subject), data = sleepstudy)
summary(fit_rs)
```
### 読み方
**Random effects**
- `Subject (Intercept)` の Std.Dev. → $\hat\tau_0$:0日目の反応時間の個人差
- `Subject Days` の Std.Dev. → $\hat\tau_1$:1日あたりの悪化ペースの個人差
- `Corr` → $\hat\rho$:切片と傾きの相関
- `Residual` → $\hat\sigma$
**Fixed effects**
- `(Intercept)`:平均的な人の 0 日目の反応時間 (ms)
- `Days`:平均的な人の 1 日あたりの悪化 (ms/日)
```{webr}
fixef(fit_rs)
VarCorr(fit_rs)
```
::: {.callout-note}
## 解釈してみる
平均的には 1 日あたり約 `r round(fixef(fit_rs)["Days"], 1)` ms 遅くなる。
ただし傾きの個人差の SD が約 `r round(attr(VarCorr(fit_rs)$Subject, "stddev")["Days"], 1)` ms/日 あるので、
正規分布の性質から、およそ 95% の人の傾きは
平均 ± 2 SD ≈ `r round(fixef(fit_rs)["Days"] - 2 * attr(VarCorr(fit_rs)$Subject, "stddev")["Days"], 1)` 〜
`r round(fixef(fit_rs)["Days"] + 2 * attr(VarCorr(fit_rs)$Subject, "stddev")["Days"], 1)` ms/日 の範囲にあると考えられる。
「ほとんど影響を受けない人」から「大きく影響を受ける人」までいる、ということ。
:::
## 図で確認:ランダム切片 vs ランダム傾き
```{webr}
#| fig-height: 6
fit_ri <- lmer(Reaction ~ Days + (1 | Subject), data = sleepstudy)
sleepstudy$pred_ri <- predict(fit_ri)
sleepstudy$pred_rs <- predict(fit_rs)
ggplot(sleepstudy, aes(Days, Reaction)) +
geom_point(alpha = 0.6) +
geom_line(aes(y = pred_ri, colour = "ランダム切片")) +
geom_line(aes(y = pred_rs, colour = "ランダム傾き")) +
facet_wrap(~ Subject, ncol = 6) +
scale_x_continuous(breaks = c(0, 3, 6, 9)) +
labs(colour = NULL) +
theme(legend.position = "bottom")
```
ランダム切片モデル(傾き共通)では、悪化の速い人(例:308)や遅い人(例:335)にうまく合っていません。ランダム傾きモデルはそれぞれの人に合わせた傾きになっています。
```{webr}
ggplot(sleepstudy, aes(Days, pred_rs, group = Subject)) +
geom_line(alpha = 0.5) +
geom_abline(intercept = fixef(fit_rs)[1], slope = fixef(fit_rs)[2],
linewidth = 1.5, colour = "steelblue") +
labs(y = "予測反応時間 (ms)", title = "被験者ごとの直線(青:平均的な人)")
```
## 縮小推定はここでも起こる
被験者ごとに別々に `lm` した傾き(プーリングなし)と比べます。
```{webr}
np <- t(sapply(split(sleepstudy, sleepstudy$Subject),
function(s) coef(lm(Reaction ~ Days, data = s))))
pp <- coef(fit_rs)$Subject
cmp <- data.frame(
intercept = c(np[, 1], pp[, 1]),
slope = c(np[, 2], pp[, 2]),
method = rep(c("プーリングなし", "部分プーリング"), each = nrow(np)),
subject = rep(rownames(np), 2)
)
ggplot(cmp, aes(intercept, slope)) +
geom_line(aes(group = subject), colour = "grey60",
arrow = arrow(length = unit(0.12, "cm"), ends = "last")) +
geom_point(aes(colour = method), size = 2) +
geom_point(aes(x = fixef(fit_rs)[1], y = fixef(fit_rs)[2]),
shape = 4, size = 5, stroke = 2) +
labs(x = "切片", y = "傾き", colour = NULL,
title = "×(全体平均)に向かって縮小する") +
theme(legend.position = "bottom")
```
::: {.callout-tip}
## ちょっと発展:ネストとクロス
グループが複数ある場合も同じ記法で書けます。
- **ネスト(入れ子)**:生徒 ⊂ クラス ⊂ 学校 → `(1 | school/class)`
(`(1 | school) + (1 | school:class)` と同じ)
- **クロス(交差)**:被験者 × 刺激語(全員が全ての単語に回答)→ `(1 | subject) + (1 | item)`
:::
::: {.callout-important}
## この章のまとめ
- ランダム傾きモデル:グループごとに傾きもばらつく
- R では `(x | group)`。切片・傾きの SD と、その相関を推定する
- 傾きの SD を見ると「効果の個人差」の大きさがわかる
:::