CODEWITHSUNDEEP
rstatisticslinear-regressionlme4mixed-models
ramateur
ramateur

Reputation: 43

How do I find the estimated decay constants from my linear mixed effects model?

I am trying to figure out how to find the estimated slope for my linear mixed effects model, where I am looking at the decay rate of log-transformed copies of DNA/RNA over time. My lmer model is as follows:

model1 <- lmer(log.copies ~ 0 + sample + hours + sample:hours + 
                (1 | uniqueID), data)

I am trying to find the slope estimate (the decay rate) of each sample, but I am not sure how to find that information. Any insight would be highly appreciated.

Here is the data frame for the model:

uniqueID <- c('4a', '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c',  '4a',   '4b',   '4c',   '7a',   '7b',   '7c',   '10a',  '10b',  '10c')
hours <- c('0', '0',    '0',    '0',    '0',    '0',    '0',    '0',    '0',    '1',    '1',    '1',    '1',    '1',    '1',    '1',    '1',    '1',    '3',    '3',    '3',    '3',    '3',    '3',    '3',    '3',    '3',    '5',    '5',    '5',    '5',    '5',    '5',    '5',    '5',    '5',    '12',   '12',   '12',   '12',   '12',   '12',   '12',   '12',   '12',   '24',   '24',   '24',   '24',   '24',   '24',   '24',   '24',   '24',   '48',   '48',   '48',   '48',   '48',   '48',   '48',   '48',   '48',   '96',   '96',   '96',   '96',   '96',   '96',   '96',   '96',   '96',   '168',  '168',  '168',  '168',  '168',  '168',  '168',  '168',  '168',  '336',  '336',  '336',  '336',  '336',  '336',  '336',  '336',  '336',  '504',  '504',  '504',  '504',  '504',  '504',  '504',  '504',  '504',  '720',  '720',  '720',  '720',  '720',  '720',  '720',  '720',  '720',  '0',    '0',    '0',    '0',    '0',    '0',    '0',    '0',    '0',    '1',    '1',    '1',    '1',    '1',    '1',    '1',    '1',    '1',    '3',    '3',    '3',    '3',    '3',    '3',    '3',    '3',    '3',    '5',    '5',    '5',    '5',    '5',    '5',    '5',    '5',    '5',    '12',   '12',   '12',   '12',   '12',   '12',   '12',   '12',   '12',   '24',   '24',   '24',   '24',   '24',   '24',   '24',   '24',   '24',   '48',   '48',   '48',   '48',   '48',   '48',   '48',   '48',   '48',   '96',   '96',   '96',   '96',   '96',   '96',   '96',   '96',   '96',   '168',  '168',  '168',  '168',  '168',  '168',  '168',  '168',  '168',  '336',  '336',  '336',  '336',  '336',  '336',  '336',  '336',  '336',  '504',  '504',  '504',  '504',  '504',  '504',  '504',  '504',  '504',  '720',  '720',  '720',  '720',  '720',  '720',  '720',  '720',  '720',)
log.copies <- c('1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.19441603388691', '1.24355334723342', '1.40690849045049', '1.31002191752687', '1.39124834261194', '1.29235753729037', '1.11936230018844', '1.1374556403934',  '1.39758382302761', '1.68018850963636', '1.25191207562977', '1.23641746512146', '1.39679718172058', '1.38090501093842', '1.24605609103987', '1.21030026698775', '1.19544292124108', '1.17601950399624', '1.31273309142159', '1.26185528648986', '1.25966627646237', '1.31215362175609', '1.1797649397335',  '1.06962991082736', '1.06648871526762', '1.01999877463483', '1.0713647526277',  '1.33727512803554', '1.32714821681501', '1.36095600888816', '1.20806814685821', '1.01506836010089', '1.16512723872603', '1.26641479125218', '1.09785021474546', '1.13833983315088', '1.23033598728608', '1.40813602545636', '1.4646125625919',  '1.00258079576351', '1.17601950399624', '1.06788775208508', '1.04454452321033', '1.05059619746453', '1.03045177956328', '1.37430638458471', '1.41452140821272', '1.75913091767113', '0.77346280655772', '0.767002923329097',    '1.01188172732087', '0.74623404934399', '0.944256557003784',    '1.05150543231433', '1.2251192503473',  '1.29174874539612', '1.43997134954361', '-0.0296134397450946',  '-0.286448979024821',   '-0.156823792139869',   '0.839166900510674',    '0.724365376990744',    '0.678610613822442',    '0.786777342262311',    '1.29478377172835', '1.37297391495997', '-0.82434417051388',    '-0.82434417051388',    '-0.496558364627612',   '0.0829498390130417',   '0.427489632415672',    '0.158891649802325',    '1.49438314328631', '0.729149969776687',    '0.819893243439029',    '-0.82434417051388',    '-1.1900799975662', '-1.1900799975662', '-0.717704531413791',   '-0.398265926539503',   '-0.362000706739917',   '-0.196897956423786',   '0.64307632093276', '0.675913769256037',    '-0.717704531413791',   '-1.1900799975662', '-1.1900799975662', '0.0555326061931463',   '-0.822304338094534',   '-0.507174381784299',   '0.180394322691316',    '0.640136342503974',    '0.393190666987189',    '-1.1900799975662', '-0.967508136400586',   '-0.967508136400586',   '-0.823663106508838',   '-0.967990407588446',   '-0.967026427628234',   '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '0.171315600631744',    '-0.386292183084873',   '-0.0999771866567739',  '0.0867221503952878',   '-0.525277163372224',   '0.00383206432719449',  '-0.0999771866567739',  '-0.199592846032811',   '0.047352829483974',    '0.408978520878843',    '-0.386292183084873',   '-0.617450004710004',   '-0.525277163372224',   '-0.0714786306395753',  '-0.163651471977355',   '0.171315600631744',    '0.067506349647776',    '-0.0448200118538059',  '0.047352829483974',    '-0.617450004710004',   '-0.617450004710004',   '-0.525277163372224',   '-0.331135008281905',   '0.0261653532722218',   '-0.0197780887736235',  '-0.0448200118538059',  '-0.163651471977355',   '-0.0197780887736235',  '-0.282482932100905',   '-0.163651471977355',   '-0.903765001138104',   '-0.331135008281905',   '-0.199592846032811',   '-0.238962166944125',   '-0.525277163372224',   '-0.386292183084873',   '-0.386292183084873',   '-1.1900799975662', '-0.903765001138104',   '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-0.903765001138104',   '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-0.903765001138104',   '-0.903765001138104',   '-1.1900799975662', '-0.903765001138104',   '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104',   '-1.1900799975662')
sample <- c('4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eDNA',    '4eDNA',    '4eDNA',    '7eDNA',    '7eDNA',    '7eDNA',    '10eDNA',   '10eDNA',   '10eDNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA',   '4eRNA',    '4eRNA',    '4eRNA',    '7eRNA',    '7eRNA',    '7eRNA',    '10eRNA',   '10eRNA',   '10eRNA')

What I'd like to find now is the slope of each of the "samples", e.g. the slope of the log.copies of 4eRNA against hours, etc.

Here's an example of what I'm looking for (these are just dummy values)

1

Upvotes: 1

Views: 116

Answers (1)

Ben Bolker
Ben Bolker

Reputation: 226761

After cleaning up the data a bit (converting to numeric):

d <- data.frame(log.copies, sample, hours, uniqueID)
library(lme4)
## use `0 + sample + sample:hours` to fit intercept & slope
##  separately for each sample
model1 <- lmer(log.copies ~ 0 + sample + sample:hours + (1 | uniqueID), d)
## fixed-effect coefficient table
cc <- coef(summary(model1))
cc[grepl("hours", rownames(cc)),]

Results:

                       Estimate   Std. Error    t value
sample10eDNA:hours -0.003205399 0.0003059636 -10.476405
sample10eRNA:hours -0.001238915 0.0003059636  -4.049224
sample4eDNA:hours  -0.001525579 0.0003059636  -4.986143
sample4eRNA:hours  -0.001060511 0.0003059636  -3.466135
sample7eDNA:hours  -0.003824935 0.0003059636 -12.501274
sample7eRNA:hours  -0.001456568 0.0003059636  -4.760591

If you load lmerTest after or instead of lme4 your table will include df and Pr(>|t|) columns as in your example.

To get the specific table you're looking for, I think you want

emmeans::emtrends(model1, ~sample, var="hours")
 sample hours.trend       SE  df lower.CL  upper.CL
 10eDNA    -0.00321 0.000306 198 -0.00381 -0.002602
 10eRNA    -0.00124 0.000306 198 -0.00184 -0.000636
 4eDNA     -0.00153 0.000306 198 -0.00213 -0.000922
 4eRNA     -0.00106 0.000306 198 -0.00166 -0.000457
 7eDNA     -0.00382 0.000306 198 -0.00443 -0.003222
 7eRNA     -0.00146 0.000306 198 -0.00206 -0.000853

Note that the estimates are the same up to rounding as the previous table, although emmeans is more convenient because it computes CI for you and you can specify the model any way you want, e.g. as ~ sample*hours + (1|uniqueID), and still extract the same table.

Upvotes: 1

Related Questions