/
VarCovRE.hlme.R
176 lines (148 loc) · 6.01 KB
/
VarCovRE.hlme.R
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
#' @export
#'
VarCovRE.hlme <- function(Mod)
{
if(missing(Mod)) stop("The model should be specified")
## Le parametre Mod doit etre du type hlme du package lcmm
if(!inherits(Mod,"hlme")) stop("applies to \"hlme\" objects only")
nea <- sum(Mod$idea) # Nombre d'effets aleatoires
nef <- Mod$N[2] # Nombre d'effets fixes
nvc <- Mod$N[3] # Nombre de parametres de la partie triangulaire inferieure de la matrice B de variance-covariance des effets aleatoires
nprob <- Mod$N[1]
idiag <- ifelse(Mod$idiag==1,TRUE,FALSE)
if(nvc==0) return(NA)
## Recuperation des parametres de Cholesky dans un vecteur
cholesky <- Mod$cholesky
## Transformation de Cholesky telle que UU'=B
tU <- matrix(0,nrow=nea,ncol=nea)
tU[upper.tri(tU,diag=TRUE)] <- cholesky # La partie superieure de la matrice U y compris la diagonale recoit le vecteur cholesky
U <- t(tU)
B <- U%*%tU # Matrice de variance-covariance des effets aleatoires
## On end symetrique la matrice de variance-covariance V des parametres estimes par le modele
l <- length(Mod$best)
V <- matrix(0,nrow=l,ncol=l)
V[upper.tri(V,diag=TRUE)] <- Mod$V
V[lower.tri(V,diag=FALSE)] <- t(V)[lower.tri(V,diag=FALSE)]
## On recupere la sous matrice de var-cov des parametres de cholesky dans V
debut <- nprob+nef+1
fin <- nprob+nef+nvc
Vc <- V[debut:fin,debut:fin]
## Calcul de la derivee de B en fonction des parametres de cholesky : D=f'(c)/c
## D est different selon la valeur de idiag
if (idiag == FALSE)
{
## calcul de derivee
B[lower.tri(B,diag=FALSE)] <- 0
tB <- B
Sup <- B[upper.tri(B,diag=TRUE)]
D <- matrix(0,nrow=length(Sup),ncol=length(Sup))
## Vaut mieux eviter les boucles et faire le moins de if possible
for (j in 1:ncol(tU))
{for (i in 1:j)
{for (l in 1:ncol(tB))
{for (k in 1:l)
{m <- k+(l*(l-1))/2
n <- i+(j*(j-1))/2
{if (l==j && k==l)
{
D[m,n] <- 2*tU[i,j]
}
}
{if (l!=j && k==j)
{
D[m,n] <- tU[i,l]
}
}
{if (k>=i && l==j && k!=l)
{
D[m,n] <- tU[i,k]
}
}
}
}
}
}
}
if (idiag==TRUE)
{
D <- matrix(0,nrow=nvc,ncol=nvc)
diag(D) <- 2*diag(B)
}
## Delta-Method
VFC <- D%*%Vc%*%t(D)
## Tableau presentant les resultats
##Results<- matrix(nrow=length(cholesky),ncol=4)
Results <- matrix(nrow=nvc,ncol=4)
colnames(Results) <- c("coef","Se","Wald test","p_value")
## Noms des variables presents dans Xnames[Mod$idea==1]
nom <- Mod$Xnames[Mod$idea==1]
n <- c(1:nrow(Results))
if(!isTRUE(idiag))
{
for(i in 1:length(nom))
{
for (j in 1:i)
{if (i!=j)
{
n[i*(i-1)/2+j] <- paste(" Cov(",nom[j],"," ,nom[i], ")" ,sep="")
}
else
{
n[i*(i-1)/2+j] <- paste(" Var(",nom[i],")",sep="")
}
}
}
}
else
{
n <- paste(" Var(",nom,")",sep="")
}
rownames(Results) <- n
Results[,1] <- round(Mod$best[debut:fin],5)
Results[,2] <- round(sqrt(diag(VFC)),5)
## Le test de Wald est a effectuer uniquement sur les covariances
## On commence par le calculer pour tout le monde, ensuite on remplace les resultats des variances par NA
## Le meme principe est applique pour le calcul des p-values
Results[,3] <- round(Results[,1]/Results[,2],5)
## Le calcul de la p-value differe selon le signe de la stat de test de Wald
## On va traiter un seul cas en utilisant la valeur absolue de la stat du test de Wald
Results[,4] <- round(2*(1-pnorm(abs(Results[,3]))),5)
if(!isTRUE(idiag))
{
for (i in 1:nea)
{
pos <- i*(i+1)/2
{
Results[pos,3] <- NA # suit une N(0,1) sous H0
Results[pos,4] <- NA
}
}
}
else #cas diagonal, on a que des variances
{
Results[,3:4] <- NA
}
print(Results,na.print="")
return(invisible(Results))
}
#' Estimates, standard errors and Wald test for the parameters of the
#' variance-covariance matrix of the random effects.
#'
#' Fromm the Cholesky transformed parameters, this function provides estimates,
#' standard errors and Wald test for the parameters of the variance-covariance
#' matrix of the random effects.
#'
#'
#' @aliases VarCovRE VarCovRE.hlme VarCovRE.lcmm VarCovRE.Jointlcmm
#' VarCovRE.multlcmm
#' @param Mod an object of class \code{hlme}, \code{lcmm}, \code{multlcmm} or
#' \code{Jointlcmm}
#' @return a matrix containing the estimates of the parameters of the
#' variance-covariance matrix of the random effects, their standard errors,
#' and, for the covariance parameters, the Wald statistic and the associated
#' p-value.
#' @author Cecile Proust-Lima, Lionelle Nkam and Viviane Philipps
#'
#' @export
#'
VarCovRE <- function(Mod) UseMethod("VarCovRE")