Стоит отметить, что iframes будет, независимо от скорости интернет-соединения Ваших пользователей или содержания iframe, вызвать маленькое (приблизительно 0.3 с), но значимое замедление в скорости Ваши загрузки страницы. Это не что-то, что Вы будете видеть при тестировании его локально. На самом деле это верно для любого элемента, добавленного к странице, но iframes, кажется, хуже.
Из Pinheiro & Bates 2000 , раздел 5.4, p250:
Функция gls используется для соответствия расширенная линейная модель, используя либо максимальная вероятность или ограниченная максимальная вероятность. Это можно увидеть как функцию lme без аргумент случайный .
Для получения дополнительной информации было бы поучительно сравнить lme
анализ набора ортодонтических данных (начиная со стр. 147 той же книги) с gls
анализ (начиная с p250). Для начала сравните
orth.lme <- lme(distance ~ Sex * I(age-11), data=Orthodont)
summary(orth.lme)
Linear mixed-effects model fit by REML
Data: Orthodont
AIC BIC logLik
458.9891 498.655 -214.4945
Random effects:
Formula: ~Sex * I(age - 11) | Subject
Structure: General positive-definite
StdDev Corr
(Intercept) 1.7178454 (Intr) SexFml I(-11)
SexFemale 1.6956351 -0.307
I(age - 11) 0.2937695 -0.009 -0.146
SexFemale:I(age - 11) 0.3160597 0.168 0.290 -0.964
Residual 1.2551778
Fixed effects: distance ~ Sex * I(age - 11)
Value Std.Error DF t-value p-value
(Intercept) 24.968750 0.4572240 79 54.60945 0.0000
SexFemale -2.321023 0.7823126 25 -2.96687 0.0065
I(age - 11) 0.784375 0.1015733 79 7.72226 0.0000
SexFemale:I(age - 11) -0.304830 0.1346293 79 -2.26421 0.0263
Correlation:
(Intr) SexFml I(-11)
SexFemale -0.584
I(age - 11) -0.006 0.004
SexFemale:I(age - 11) 0.005 0.144 -0.754
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-2.96534486 -0.38609670 0.03647795 0.43142668 3.99155835
Number of Observations: 108
Number of Groups: 27
orth.gls <- gls(distance ~ Sex * I(age-11), data=Orthodont)
summary(orth.gls)
Generalized least squares fit by REML
Model: distance ~ Sex * I(age - 11)
Data: Orthodont
AIC BIC logLik
493.5591 506.7811 -241.7796
Coefficients:
Value Std.Error t-value p-value
(Intercept) 24.968750 0.2821186 88.50444 0.0000
SexFemale -2.321023 0.4419949 -5.25124 0.0000
I(age - 11) 0.784375 0.1261673 6.21694 0.0000
SexFemale:I(age - 11) -0.304830 0.1976661 -1.54214 0.1261
Correlation:
(Intr) SexFml I(-11)
SexFemale -0.638
I(age - 11) 0.000 0.000
SexFemale:I(age - 11) 0.000 0.000 -0.638
Standardized residuals:
Min Q1 Med Q3 Max
-2.48814895 -0.58569115 -0.07451734 0.58924709 2.32476465
Residual standard error: 2.256949
Degrees of freedom: 108 total; 104 residual
. Обратите внимание, что оценки фиксированных эффектов такие же (до 6 знаков после запятой), но стандартные ошибки разные, как и корреляционная матрица.
Интересный вопрос.
В принципе, единственная разница в том, что gls не могут соответствовать моделям со случайными эффектами, тогда как lme может. Таким образом, команды
fm1 <- gls(follicles ~ sin(2*pi*Time)+cos(2*pi*Time),Ovary,
correlation=corAR1(form=~1|Mare))
и
lm1 <- lme(follicles~sin(2*pi*Time)+cos(2*pi*Time),Ovary,
correlation=corAR1(form=~1|Mare))
должны давать одинаковый результат, но это не так. Подгоняемые параметры немного отличаются.