Center for Quantitative Methods
Erasmus Medical Center
31 October 2018
… and in standard settings it usually works well, …
… but there are settings in which it doesn’t!
Then (naive) use of MICE leads to
Consider an analysis model \(\quad y = \beta_0 + \beta_1 x + \boldsymbol{\beta_2 x^2} + \ldots\)
MICE uses a linear relation when imputing \(x\): \(\quad x = \theta_{10} + \theta_{11} y + \ldots\)
severely biased results
Another example: non-linear relationship due to interaction term \[y = \beta_0 + \beta_x x + \beta_z z + \boldsymbol{\beta_{xz} xz} + \ldots\]
Again: MICE assumes a linear relation between \(x\) and \(y\) in the imputation model \[x = \theta_{10} + \theta_{11} y + \theta_{12} z + \ldots\]
severely biased estimates
ID | y | x1 | x2 | x3 | x4 | time |
---|---|---|---|---|---|---|
5 | NA | |||||
5 | NA | |||||
5 | NA | |||||
5 | NA | |||||
6 | NA | NA | ||||
6 | NA | NA | ||||
6 | NA | NA | ||||
8 | NA | |||||
8 | NA | |||||
8 | NA | |||||
18 | NA | |||||
18 | NA | |||||
18 | NA | |||||
18 | NA | |||||
Here, \(x_1, \ldots, x_4\) are baseline covariates, i.e., not measured repeatedly.
Imputation in long format
ID | y | x1 | x2 | x3 | x4 | time |
---|---|---|---|---|---|---|
5 | boy | |||||
5 | girl | |||||
5 | girl | |||||
5 | girl | |||||
6 | girl | high | ||||
6 | girl | mid | ||||
6 | girl | high | ||||
8 | 37.22 | |||||
8 | 37.71 | |||||
8 | 41.37 | |||||
18 | boy | |||||
18 | boy | |||||
18 | boy | |||||
18 | boy | |||||
Estimates can be severely biased.
## Warning in checkConv(attr(opt, "derivs"), opt$par, ctrl = ## control$checkConv, : Model failed to converge with max|grad| = 0.00609238 ## (tol = 0.002, component 1)
Sometimes imputation in wide format may be possible.
id | y.1 | y.3 | y.5 | y.7 | y.9 | time.1 | time.3 | time.5 | time.7 | time.9 | … |
---|---|---|---|---|---|---|---|---|---|---|---|
5 | NA | NA | … | ||||||||
6 | NA | NA | NA | NA | … | ||||||
8 | NA | NA | NA | NA | … | ||||||
18 | NA | NA | … | ||||||||
\(\ddots\) |
In wide format:
Better, but very large confidence intervals
Bayes theorem: \[ p(\boldsymbol\theta\mid \mathbf y, \mathbf X) \propto \underset{\text{joint distribution}}{\underbrace{p(\mathbf y, \mathbf X \mid \boldsymbol\theta)}}\,p(\boldsymbol\theta)\]
In JointAI the joint distribution is specified directly.
It’s a theoretically valid approach!
\[ \underset{\text{joint distribution}}{\underbrace{p(\mathbf y, \mathbf X_{obs}, \mathbf X_{mis} \mid \boldsymbol\theta)}} = \underset{\text{analysis model}}{\underbrace{p(\mathbf y \mid \mathbf X_{obs}, \mathbf X_{mis}, \boldsymbol\theta_{y\mid x})}}\; \underset{\text{imputation part}}{\underbrace{p(\mathbf X_{mis} \mid \mathbf X_{obs}, \boldsymbol \theta_x)}} \]
\[ \begin{eqnarray*} p(\mathbf x_{mis_1}, \ldots, \mathbf x_{mis_q} \mid \mathbf X_{obs}, \boldsymbol\theta_{x}) & = & p(\mathbf x_{mis_1} \mid \mathbf X_{obs}, \boldsymbol\theta_{x_1})\\ & & p(\mathbf x_{mis_2} \mid \mathbf X_{obs}, \mathbf x_{mis_1}, \boldsymbol\theta_{x_2})\\ & & p(\mathbf x_{mis_3} \mid \mathbf X_{obs}, \mathbf x_{mis_1}, \mathbf x_{mis_2}, \boldsymbol\theta_{x_3})\\ & & \vdots \end{eqnarray*} \]
flexible specification (according to the type of each variable)
no pooling necessary
Install JointAI from CRAN or from GitHub:
devtools::install_github(repo = 'JointAI', user = 'NErler')
The place to start in the help file:
??JointAI::JointAI
Check out the webpage:
https://nerler.github.io/JointAI/
Linear regression:
lm_imp(formula, data, n.iter, ...) # like lm() from base R
Generalized linear regression:
glm_imp(formula, data, family, n.iter, ...) # like glm() from base R
Linear mixed effects regression:
lme_imp(fixed, random, data, n.iter, ...) # like lme() from nlme
library(JointAI) lm1 <- lm_imp(SBP ~ gender + age + WC + alc + educ + bili, data = NHANES, n.iter = 500)
## This is new software. Please report any bugs to the package maintainer.
traceplot(lm1, ncol = 4, nrow = 2)
traceplot(lm1, ncol = 4, nrow = 2, col = c('yellow', 'grey', 'black'))
summary(lm1)
## ## Linear model fitted with JointAI ## ## Call: ## lm_imp(formula = SBP ~ gender + age + WC + alc + educ + bili, ## data = NHANES, n.iter = 500) ## ## Posterior summary: ## Mean SD 2.5% 97.5% tail-prob. GR-crit ## (Intercept) 87.970 8.9408 69.7345 105.272 0.00000 1.012 ## genderfemale -3.443 2.2095 -7.8257 0.913 0.11600 1.013 ## age 0.331 0.0702 0.1964 0.479 0.00000 1.024 ## educhigh -2.926 2.1276 -7.1850 1.230 0.17867 0.999 ## WC 0.227 0.0746 0.0833 0.371 0.00533 1.002 ## bili -5.113 4.7919 -14.9159 3.985 0.29867 1.025 ## alc>=1 6.443 2.3867 1.7460 11.157 0.00800 1.001 ## ## Posterior summary of residual std. deviation: ## Mean SD 2.5% 97.5% GR-crit ## sigma_SBP 13.6 0.739 12.1 15 1.01 ## ## ## MCMC settings: ## Iterations = 101:600 ## Sample size per chain = 500 ## Thinning interval = 1 ## Number of chains = 3 ## ## Number of observations: 186
The model formula may contain
log()
, exp()
, abs()
, sin()
, polynomials using I()
, …mod3a <- lm_imp(SBP ~ (age + gender + abs(bili - creat))^2, data = NHANES)
library(splines) mod3b <- lm_imp(SBP ~ ns(age, df = 2) + gender + I(bili^2) + I(bili^3), data = NHANES)
mod3c <- lm_imp(SBP ~ age + gender + I(creat/albu^2), data = NHANES)
Example: log(x)
is only defined for \(x > 0\)
distribution used to impute x
needs to comply with this restriction
Truncate the distribution using the argument trunc
:
mod4a <- lm_imp(SBP ~ age + gender + log(bili) + exp(creat), trunc = list(bili = c(1e-5, 1e10)), data = NHANES)
Use an imputation method that meets the restrictions:
mod4b <- lm_imp(SBP ~ age + gender + log(bili) + exp(creat), meth = c(bili = 'lognorm', creat = 'norm'), data = NHANES)
mod4c <- lm_imp(SBP ~ age + gender + log(bili) + exp(creat), meth = c(bili = 'gamma', creat = 'norm'), data = NHANES)
log(abs(bili))
random = ~ time + session | id
meth
default | ||
norm
|
linear regression | continuous variables |
logit
|
logistic regression | factors with two levels |
multilogit
|
multinomial logit model | unordered factors; >2 levels |
cumlogit
|
cumulative logit model | ordered factors; >2 levels |
additional | ||
lognorm
|
normal model for log-transformed variable | right-skewed variables >0 |
gamma
|
Gamma regression (log-link) | right-skewed variables >0 |
beta
|
beta regression (logit-link) | continuous variables in [0, 1] |
lm0 <- lm_imp(SBP ~ age + gender + log(bili) + occup + smoke, n.iter = 0, n.adapt = 0, data = NHANES, mess = FALSE) (meth <- lm0$meth)
## smoke bili occup ## "cumlogit" "norm" "multilogit"
meth['bili'] <- 'gamma' lm_new <- update(lm0, meth = meth, n.iter = 100, n.adapt = 100) lm_new$meth
## smoke bili occup ## "cumlogit" "gamma" "multilogit"
Get information on the imputation models used in a JointAI object:
list_impmodels(lm_new)
## Cumulative logit imputation model for 'smoke' ## * Reference category: 'never' ## * Predictor variables: ## age, genderfemale ## * Regression coefficients (without intercept): ## alpha[1:2] (normal prior(s) with mean 0 and precision 0.001) ## * Intercepts: ## - never: gamma_smoke[1] (normal prior with mean 0 and precision 0.001) ## - former: gamma_smoke[2] = gamma_smoke[1] + exp(delta_smoke[1]) ## * Increments: ## delta_smoke[1] (normal prior(s) with mean 0 and precision 0.001) ## ## Gamma imputation model for 'bili' ## * Parametrization: ## - shape: shape_bili = mu_bili^2 * tau_bili ## - rate: rate_bili = mu_bili * tau_bili ## * Predictor variables: ## (Intercept), age, genderfemale, smokeformer, smokecurrent ## * Regression coefficients: ## alpha[3:7] (normal prior(s) with mean 0 and precision 1e-04) ## * Pecision of 'bili': ## tau_bili (Gamma prior with scale parameter 0.01 and rate parameter 0.01) ## ## Multinomial logit imputation model for 'occup' ## * Reference category: 'working' ## * Predictor variables: ## (Intercept), age, genderfemale, smokeformer, smokecurrent, bili ## * Regression coefficients: ## - 'occuplooking for work': alpha[8:13] (normal prior(s) with mean 0 and precision 0.001) ## - 'occupnot working': alpha[14:19] (normal prior(s) with mean 0 and precision 0.001)
refcats
refcats = "first"
(or "last"
, or "largest"
)
Or use
set_refcats(NHANES, formula, covars, auxvars)
Variables that
In JointAI: argument auxvars
mod9a <- lm_imp(SBP ~ gender + age + occup, auxvars = c('educ', 'smoke'), data = NHANES, n.iter = 100)
auxvars
are set to zero in the analysis modelsummary(mod9a)
## ## Linear model fitted with JointAI ## ## Call: ## lm_imp(formula = SBP ~ gender + age + occup, data = NHANES, n.iter = 100, ## auxvars = c("educ", "smoke")) ## ## Posterior summary: ## Mean SD 2.5% 97.5% tail-prob. GR-crit ## (Intercept) 105.437 3.5650 99.050 112.509 0.0000 1.015 ## genderfemale -5.433 2.0859 -9.967 -1.540 0.0133 1.011 ## age 0.377 0.0803 0.216 0.519 0.0000 1.032 ## occuplooking for work 4.080 6.5764 -9.053 18.224 0.5333 1.014 ## occupnot working -0.566 2.7217 -5.614 4.756 0.8667 0.998 ## ## Posterior summary of residual std. deviation: ## Mean SD 2.5% 97.5% GR-crit ## sigma_SBP 14.4 0.742 13 15.9 1.05 ## ## ## MCMC settings: ## Iterations = 101:200 ## Sample size per chain = 100 ## Thinning interval = 1 ## Number of chains = 3 ## ## Number of observations: 186
They are, however, used as predictors in the imputation for occup and imputed themselves (if they have missing values):
list_impmodels(mod9a, priors = FALSE, regcoef = FALSE, otherpars = FALSE, refcat = FALSE)
## Cumulative logit imputation model for 'smoke' ## * Predictor variables: ## genderfemale, age, educhigh ## ## Multinomial logit imputation model for 'occup' ## * Predictor variables: ## (Intercept), genderfemale, age, educhigh, smokeformer, smokecurrent
(Mostly) as in rjags:
n.adapt
: iterations in adaptive phasen.iter
: iterations in sampling phasethin
: thinning intervalmonitor_params
: parameters/nodes to be monitoredinits
: initial valuesquiet
: suppres printing of informationprogress.bar
: type of progress bar
analysis_main
|
betas , tau_y and sigma_y (and D )
|
betas
|
regression coefficients of the analysis model |
tau_y
|
precision of the residuals from the analysis model |
sigma_y
|
standard deviation of the residuals from the analysis model |
analysis_random
|
ranef , D , invD , RinvD
|
ranef
|
random effects |
D
|
covariance matrix of the random effects |
invD
|
inverse of D
|
RinvD
|
scale matrix in Wishart prior for invD |
imp_pars
|
alphas , tau_imp , gamma_imp , delta_imp
|
alphas
|
regression coefficients in the imputation models |
tau_imp
|
precision parameters of the residuals from imputation models |
gamma_imp
|
intercepts in ordinal imputation models |
delta_imp
|
increments of ordinal intercepts |
imps
|
imputed values |
other
|
additional parameters |
TRUE
) or off (FALSE
)monitor_params = c(analysis_main = TRUE)
mod13c <- lm_imp(SBP ~ age + WC + alc + smoke + occup, data = NHANES, n.adapt = 0, monitor_params = c(imp_pars = TRUE)) parameters(mod13c)
## [1] "(Intercept)" "age" ## [3] "WC" "smokeformer" ## [5] "smokecurrent" "occuplooking for work" ## [7] "occupnot working" "alc>=1" ## [9] "sigma_SBP" "alpha" ## [11] "tau_WC" "gamma_smoke" ## [13] "delta_smoke"
mod13b <- lm_imp(SBP ~ age + WC + alc + smoke + occup, data = NHANES, n.adapt = 0, monitor_params = c(imps = TRUE, analysis_main = FALSE)) parameters(mod13b)
## [1] "Xc[33,3]" "Xc[150,3]" "Xc[1,8]" "Xc[7,8]" "Xc[8,8]" ## [6] "Xc[12,8]" "Xc[13,8]" "Xc[21,8]" "Xc[22,8]" "Xc[31,8]" ## [11] "Xc[33,8]" "Xc[34,8]" "Xc[39,8]" "Xc[49,8]" "Xc[66,8]" ## [16] "Xc[67,8]" "Xc[80,8]" "Xc[86,8]" "Xc[91,8]" "Xc[92,8]" ## [21] "Xc[105,8]" "Xc[111,8]" "Xc[115,8]" "Xc[118,8]" "Xc[120,8]" ## [26] "Xc[127,8]" "Xc[132,8]" "Xc[139,8]" "Xc[146,8]" "Xc[149,8]" ## [31] "Xc[152,8]" "Xc[163,8]" "Xc[165,8]" "Xc[169,8]" "Xc[180,8]" ## [36] "Xc[185,8]" "Xcat[6,1]" "Xcat[16,1]" "Xcat[24,1]" "Xcat[27,1]" ## [41] "Xcat[45,1]" "Xcat[57,1]" "Xcat[58,1]" "Xcat[60,1]" "Xcat[61,1]" ## [46] "Xcat[65,1]" "Xcat[66,1]" "Xcat[70,1]" "Xcat[80,1]" "Xcat[81,1]" ## [51] "Xcat[85,1]" "Xcat[88,1]" "Xcat[89,1]" "Xcat[90,1]" "Xcat[101,1]" ## [56] "Xcat[104,1]" "Xcat[116,1]" "Xcat[133,1]" "Xcat[137,1]" "Xcat[143,1]" ## [61] "Xcat[168,1]" "Xcat[170,1]" "Xcat[180,1]" "Xcat[186,1]" "Xcat[16,2]" ## [66] "Xcat[99,2]" "Xcat[123,2]" "Xcat[156,2]" "Xcat[158,2]" "Xcat[166,2]" ## [71] "Xcat[172,2]"
mod13g <- lme_imp(bmi ~ age + EDUC, random = ~age|ID, data = simLong, n.adapt = 0, monitor_params = c(analysis_main = TRUE, analysis_random = TRUE, RinvD = FALSE, ranef = FALSE)) parameters(mod13g)
## [1] "(Intercept)" "EDUCmid" "EDUClow" "age" "sigma_bmi" ## [6] "invD[1,1]" "invD[1,2]" "invD[2,2]" "D[1,1]" "D[1,2]" ## [11] "D[2,2]"
mod13h <- lm_imp(SBP ~ gender + WC + alc + creat, data = NHANES, n.adapt = 0, monitor_params = list(analysis_main = FALSE, other = c('p_alc[1:3]', "mu_creat[1]"))) parameters(mod13h)
## [1] "p_alc[1:3]" "mu_creat[1]"
Can be specified as
inits = TRUE
: initial values created by JointAIinits = FALSE
: initial values created by JAGSinits = <list of lists>
inits = <function returning a list>
NA
for observed valuesHow does a list of inital values need to look like?
mod4c <- lme_imp(bmi ~ time + HEIGHT_M + hc + SMOKE, random = ~ time | ID, data = simLong) coef(mod4c$model)
## $RinvD ## [,1] [,2] ## [1,] 0.1517049 NA ## [2,] NA 0.6006336 ## ## $Xc ## [,1] [,2] [,3] [,4] ## [1,] NA NA NA NA ## [2,] NA NA NA NA ## [3,] NA NA NA NA ## [4,] NA NA NA NA ## [5,] NA NA NA NA ## [6,] NA NA NA NA ## [7,] NA NA NA NA ## [8,] NA NA NA NA ## [9,] NA NA NA NA ## [10,] NA NA NA NA ## [11,] NA 0.64392961 NA NA ## [12,] NA NA NA NA ## [13,] NA NA NA NA ## [14,] NA NA NA NA ## [15,] NA NA NA NA ## [16,] NA NA NA NA ## [17,] NA NA NA NA ## [18,] NA NA NA NA ## [19,] NA NA NA NA ## [20,] NA NA NA NA ## [21,] NA NA NA NA ## [22,] NA NA NA NA ## [23,] NA NA NA NA ## [24,] NA NA NA NA ## [25,] NA NA NA NA ## [26,] NA NA NA NA ## [27,] NA NA NA NA ## [28,] NA NA NA NA ## [29,] NA NA NA NA ## [30,] NA NA NA NA ## [31,] NA NA NA NA ## [32,] NA NA NA NA ## [33,] NA NA NA NA ## [34,] NA NA NA NA ## [35,] NA NA NA NA ## [36,] NA NA NA NA ## [37,] NA -0.25461514 NA NA ## [38,] NA NA NA NA ## [39,] NA NA NA NA ## [40,] NA NA NA NA ## [41,] NA NA NA NA ## [42,] NA NA NA NA ## [43,] NA NA NA NA ## [44,] NA NA NA NA ## [45,] NA NA NA NA ## [46,] NA NA NA NA ## [47,] NA NA NA NA ## [48,] NA NA NA NA ## [49,] NA NA NA NA ## [50,] NA NA NA NA ## [51,] NA NA NA NA ## [52,] NA NA NA NA ## [53,] NA NA NA NA ## [54,] NA NA NA NA ## [55,] NA NA NA NA ## [56,] NA NA NA NA ## [57,] NA NA NA NA ## [58,] NA NA NA NA ## [59,] NA NA NA NA ## [60,] NA NA NA NA ## [61,] NA NA NA NA ## [62,] NA NA NA NA ## [63,] NA NA NA NA ## [64,] NA NA NA NA ## [65,] NA NA NA NA ## [66,] NA NA NA NA ## [67,] NA NA NA NA ## [68,] NA NA NA NA ## [69,] NA NA NA NA ## [70,] NA NA NA NA ## [71,] NA NA NA NA ## [72,] NA NA NA NA ## [73,] NA NA NA NA ## [74,] NA NA NA NA ## [75,] NA NA NA NA ## [76,] NA NA NA NA ## [77,] NA NA NA NA ## [78,] NA 0.66417014 NA NA ## [79,] NA NA NA NA ## [80,] NA NA NA NA ## [81,] NA NA NA NA ## [82,] NA NA NA NA ## [83,] NA NA NA NA ## [84,] NA NA NA NA ## [85,] NA NA NA NA ## [86,] NA NA NA NA ## [87,] NA NA NA NA ## [88,] NA NA NA NA ## [89,] NA NA NA NA ## [90,] NA NA NA NA ## [91,] NA -0.86722970 NA NA ## [92,] NA NA NA NA ## [93,] NA NA NA NA ## [94,] NA NA NA NA ## [95,] NA NA NA NA ## [96,] NA NA NA NA ## [97,] NA NA NA NA ## [98,] NA NA NA NA ## [99,] NA NA NA NA ## [100,] NA NA NA NA ## [101,] NA NA NA NA ## [102,] NA NA NA NA ## [103,] NA NA NA NA ## [104,] NA NA NA NA ## [105,] NA NA NA NA ## [106,] NA NA NA NA ## [107,] NA NA NA NA ## [108,] NA NA NA NA ## [109,] NA NA NA NA ## [110,] NA NA NA NA ## [111,] NA NA NA NA ## [112,] NA NA NA NA ## [113,] NA NA NA NA ## [114,] NA NA NA NA ## [115,] NA NA NA NA ## [116,] NA NA NA NA ## [117,] NA NA NA NA ## [118,] NA NA NA NA ## [119,] NA NA NA NA ## [120,] NA NA NA NA ## [121,] NA NA NA NA ## [122,] NA NA NA NA ## [123,] NA NA NA NA ## [124,] NA NA NA NA ## [125,] NA NA NA NA ## [126,] NA NA NA NA ## [127,] NA NA NA NA ## [128,] NA NA NA NA ## [129,] NA NA NA NA ## [130,] NA NA NA NA ## [131,] NA NA NA NA ## [132,] NA NA NA NA ## [133,] NA NA NA NA ## [134,] NA NA NA NA ## [135,] NA NA NA NA ## [136,] NA NA NA NA ## [137,] NA -0.11265924 NA NA ## [138,] NA NA NA NA ## [139,] NA -0.03079581 NA NA ## [140,] NA NA NA NA ## [141,] NA NA NA NA ## [142,] NA NA NA NA ## [143,] NA NA NA NA ## [144,] NA NA NA NA ## [145,] NA NA NA NA ## [146,] NA NA NA NA ## [147,] NA NA NA NA ## [148,] NA NA NA NA ## [149,] NA NA NA NA ## [150,] NA NA NA NA ## [151,] NA NA NA NA ## [152,] NA NA NA NA ## [153,] NA NA NA NA ## [154,] NA NA NA NA ## [155,] NA NA NA NA ## [156,] NA NA NA NA ## [157,] NA NA NA NA ## [158,] NA NA NA NA ## [159,] NA NA NA NA ## [160,] NA NA NA NA ## [161,] NA NA NA NA ## [162,] NA NA NA NA ## [163,] NA NA NA NA ## [164,] NA NA NA NA ## [165,] NA NA NA NA ## [166,] NA NA NA NA ## [167,] NA NA NA NA ## [168,] NA NA NA NA ## [169,] NA NA NA NA ## [170,] NA NA NA NA ## [171,] NA NA NA NA ## [172,] NA NA NA NA ## [173,] NA NA NA NA ## [174,] NA NA NA NA ## [175,] NA NA NA NA ## [176,] NA NA NA NA ## [177,] NA NA NA NA ## [178,] NA NA NA NA ## [179,] NA NA NA NA ## [180,] NA NA NA NA ## [181,] NA NA NA NA ## [182,] NA NA NA NA ## [183,] NA NA NA NA ## [184,] NA NA NA NA ## [185,] NA NA NA NA ## [186,] NA NA NA NA ## [187,] NA NA NA NA ## [188,] NA NA NA NA ## [189,] NA NA NA NA ## [190,] NA NA NA NA ## [191,] NA NA NA NA ## [192,] NA NA NA NA ## [193,] NA NA NA NA ## [194,] NA NA NA NA ## [195,] NA NA NA NA ## [196,] NA NA NA NA ## [197,] NA NA NA NA ## [198,] NA NA NA NA ## [199,] NA NA NA NA ## [200,] NA NA NA NA ## [201,] NA NA NA NA ## [202,] NA NA NA NA ## [203,] NA NA NA NA ## [204,] NA NA NA NA ## [205,] NA NA NA NA ## [206,] NA NA NA NA ## [207,] NA NA NA NA ## [208,] NA NA NA NA ## [209,] NA NA NA NA ## [210,] NA NA NA NA ## [211,] NA NA NA NA ## [212,] NA -0.01993499 NA NA ## [213,] NA NA NA NA ## [214,] NA NA NA NA ## [215,] NA NA NA NA ## [216,] NA NA NA NA ## [217,] NA NA NA NA ## [218,] NA NA NA NA ## [219,] NA NA NA NA ## [220,] NA NA NA NA ## [221,] NA NA NA NA ## [222,] NA NA NA NA ## [223,] NA NA NA NA ## [224,] NA NA NA NA ## [225,] NA NA NA NA ## [226,] NA NA NA NA ## [227,] NA NA NA NA ## [228,] NA NA NA NA ## [229,] NA -1.17057034 NA NA ## [230,] NA NA NA NA ## [231,] NA NA NA NA ## [232,] NA NA NA NA ## [233,] NA NA NA NA ## [234,] NA NA NA NA ## [235,] NA NA NA NA ## [236,] NA NA NA NA ## [237,] NA NA NA NA ## [238,] NA NA NA NA ## [239,] NA NA NA NA ## [240,] NA NA NA NA ## [241,] NA NA NA NA ## [242,] NA NA NA NA ## [243,] NA NA NA NA ## [244,] NA NA NA NA ## [245,] NA NA NA NA ## [246,] NA NA NA NA ## [247,] NA NA NA NA ## [248,] NA NA NA NA ## [249,] NA NA NA NA ## [250,] NA NA NA NA ## [251,] NA NA NA NA ## [252,] NA NA NA NA ## [253,] NA NA NA NA ## [254,] NA NA NA NA ## [255,] NA NA NA NA ## [256,] NA NA NA NA ## [257,] NA NA NA NA ## [258,] NA NA NA NA ## [259,] NA NA NA NA ## [260,] NA NA NA NA ## [261,] NA NA NA NA ## [262,] NA NA NA NA ## [263,] NA NA NA NA ## [264,] NA NA NA NA ## [265,] NA NA NA NA ## [266,] NA NA NA NA ## [267,] NA NA NA NA ## [268,] NA NA NA NA ## [269,] NA NA NA NA ## [270,] NA NA NA NA ## [271,] NA NA NA NA ## [272,] NA NA NA NA ## [273,] NA NA NA NA ## [274,] NA NA NA NA ## [275,] NA NA NA NA ## [276,] NA NA NA NA ## [277,] NA NA NA NA ## [278,] NA NA NA NA ## [279,] NA NA NA NA ## [280,] NA NA NA NA ## [281,] NA 1.27448270 NA NA ## [282,] NA NA NA NA ## [283,] NA NA NA NA ## [284,] NA NA NA NA ## [285,] NA NA NA NA ## [286,] NA NA NA NA ## [287,] NA -0.21416585 NA NA ## [288,] NA NA NA NA ## [289,] NA NA NA NA ## [290,] NA NA NA NA ## [291,] NA NA NA NA ## [292,] NA NA NA NA ## [293,] NA NA NA NA ## [294,] NA NA NA NA ## [295,] NA NA NA NA ## [296,] NA NA NA NA ## [297,] NA NA NA NA ## [298,] NA NA NA NA ## [299,] NA NA NA NA ## [300,] NA NA NA NA ## [301,] NA NA NA NA ## [302,] NA NA NA NA ## [303,] NA NA NA NA ## [304,] NA NA NA NA ## [305,] NA NA NA NA ## [306,] NA NA NA NA ## [307,] NA NA NA NA ## [308,] NA NA NA NA ## [309,] NA NA NA NA ## [310,] NA NA NA NA ## [311,] NA NA NA NA ## [312,] NA NA NA NA ## [313,] NA NA NA NA ## [314,] NA NA NA NA ## [315,] NA NA NA NA ## [316,] NA NA NA NA ## [317,] NA NA NA NA ## [318,] NA NA NA NA ## [319,] NA NA NA NA ## [320,] NA NA NA NA ## [321,] NA NA NA NA ## [322,] NA NA NA NA ## [323,] NA NA NA NA ## [324,] NA NA NA NA ## [325,] NA NA NA NA ## [326,] NA NA NA NA ## [327,] NA NA NA NA ## [328,] NA NA NA NA ## [329,] NA NA NA NA ## [330,] NA NA NA NA ## [331,] NA NA NA NA ## [332,] NA NA NA NA ## [333,] NA NA NA NA ## [334,] NA NA NA NA ## [335,] NA NA NA NA ## [336,] NA NA NA NA ## [337,] NA NA NA NA ## [338,] NA NA NA NA ## [339,] NA NA NA NA ## [340,] NA NA NA NA ## [341,] NA NA NA NA ## [342,] NA NA NA NA ## [343,] NA NA NA NA ## [344,] NA NA NA NA ## [345,] NA NA NA NA ## [346,] NA NA NA NA ## [347,] NA NA NA NA ## [348,] NA NA NA NA ## [349,] NA NA NA NA ## [350,] NA NA NA NA ## [351,] NA NA NA NA ## [352,] NA NA NA NA ## [353,] NA NA NA NA ## [354,] NA NA NA NA ## [355,] NA NA NA NA ## [356,] NA NA NA NA ## [357,] NA NA NA NA ## [358,] NA NA NA NA ## [359,] NA NA NA NA ## [360,] NA NA NA NA ## [361,] NA NA NA NA ## [362,] NA NA NA NA ## [363,] NA NA NA NA ## [364,] NA NA NA NA ## [365,] NA NA NA NA ## [366,] NA NA NA NA ## [367,] NA NA NA NA ## [368,] NA NA NA NA ## [369,] NA NA NA NA ## [370,] NA NA NA NA ## [371,] NA NA NA NA ## [372,] NA NA NA NA ## [373,] NA NA NA NA ## [374,] NA NA NA NA ## [375,] NA NA NA NA ## [376,] NA NA NA NA ## [377,] NA NA NA NA ## [378,] NA NA NA NA ## [379,] NA NA NA NA ## [380,] NA NA NA NA ## [381,] NA NA NA NA ## [382,] NA NA NA NA ## [383,] NA NA NA NA ## [384,] NA NA NA NA ## [385,] NA NA NA NA ## [386,] NA NA NA NA ## [387,] NA NA NA NA ## [388,] NA NA NA NA ## [389,] NA NA NA NA ## [390,] NA NA NA NA ## [391,] NA NA NA NA ## [392,] NA NA NA NA ## [393,] NA NA NA NA ## [394,] NA NA NA NA ## [395,] NA NA NA NA ## [396,] NA NA NA NA ## [397,] NA NA NA NA ## [398,] NA NA NA NA ## [399,] NA NA NA NA ## [400,] NA NA NA NA ## [401,] NA NA NA NA ## [402,] NA NA NA NA ## [403,] NA NA NA NA ## [404,] NA NA NA NA ## [405,] NA NA NA NA ## [406,] NA NA NA NA ## [407,] NA NA NA NA ## [408,] NA NA NA NA ## [409,] NA NA NA NA ## [410,] NA NA NA NA ## [411,] NA NA NA NA ## [412,] NA NA NA NA ## [413,] NA NA NA NA ## [414,] NA NA NA NA ## [415,] NA NA NA NA ## [416,] NA NA NA NA ## [417,] NA NA NA NA ## [418,] NA NA NA NA ## [419,] NA NA NA NA ## [420,] NA NA NA NA ## [421,] NA NA NA NA ## [422,] NA NA NA NA ## [423,] NA NA NA NA ## [424,] NA NA NA NA ## [425,] NA NA NA NA ## [426,] NA NA NA NA ## [427,] NA NA NA NA ## [428,] NA NA NA NA ## [429,] NA NA NA NA ## [430,] NA NA NA NA ## [431,] NA NA NA NA ## [432,] NA NA NA NA ## [433,] NA NA NA NA ## [434,] NA NA NA NA ## [435,] NA NA NA NA ## [436,] NA NA NA NA ## [437,] NA NA NA NA ## [438,] NA NA NA NA ## [439,] NA NA NA NA ## [440,] NA NA NA NA ## [441,] NA NA NA NA ## [442,] NA NA NA NA ## [443,] NA NA NA NA ## [444,] NA NA NA NA ## [445,] NA NA NA NA ## [446,] NA NA NA NA ## [447,] NA NA NA NA ## [448,] NA NA NA NA ## [449,] NA NA NA NA ## [450,] NA NA NA NA ## [451,] NA NA NA NA ## [452,] NA NA NA NA ## [453,] NA NA NA NA ## [454,] NA NA NA NA ## [455,] NA NA NA NA ## [456,] NA NA NA NA ## [457,] NA NA NA NA ## [458,] NA NA NA NA ## [459,] NA NA NA NA ## [460,] NA NA NA NA ## [461,] NA NA NA NA ## [462,] NA NA NA NA ## [463,] NA NA NA NA ## [464,] NA NA NA NA ## [465,] NA NA NA NA ## [466,] NA NA NA NA ## [467,] NA NA NA NA ## [468,] NA NA NA NA ## [469,] NA NA NA NA ## [470,] NA NA NA NA ## [471,] NA NA NA NA ## [472,] NA NA NA NA ## [473,] NA NA NA NA ## [474,] NA NA NA NA ## [475,] NA NA NA NA ## [476,] NA NA NA NA ## [477,] NA NA NA NA ## [478,] NA NA NA NA ## [479,] NA NA NA NA ## [480,] NA NA NA NA ## [481,] NA NA NA NA ## [482,] NA NA NA NA ## [483,] NA NA NA NA ## [484,] NA NA NA NA ## [485,] NA NA NA NA ## [486,] NA NA NA NA ## [487,] NA NA NA NA ## [488,] NA NA NA NA ## [489,] NA NA NA NA ## [490,] NA NA NA NA ## [491,] NA NA NA NA ## [492,] NA NA NA NA ## [493,] NA NA NA NA ## [494,] NA NA NA NA ## [495,] NA NA NA NA ## [496,] NA NA NA NA ## [497,] NA NA NA NA ## [498,] NA NA NA NA ## [499,] NA NA NA NA ## ## $Xcat ## [,1] ## [1,] NA ## [2,] NA ## [3,] NA ## [4,] NA ## [5,] NA ## [6,] NA ## [7,] NA ## [8,] NA ## [9,] NA ## [10,] NA ## [11,] 3 ## [12,] NA ## [13,] NA ## [14,] NA ## [15,] NA ## [16,] 1 ## [17,] NA ## [18,] NA ## [19,] NA ## [20,] NA ## [21,] NA ## [22,] NA ## [23,] NA ## [24,] NA ## [25,] NA ## [26,] NA ## [27,] NA ## [28,] 3 ## [29,] NA ## [30,] NA ## [31,] NA ## [32,] NA ## [33,] NA ## [34,] NA ## [35,] NA ## [36,] NA ## [37,] 1 ## [38,] NA ## [39,] 1 ## [40,] NA ## [41,] NA ## [42,] NA ## [43,] NA ## [44,] 1 ## [45,] NA ## [46,] NA ## [47,] 1 ## [48,] NA ## [49,] NA ## [50,] NA ## [51,] NA ## [52,] NA ## [53,] NA ## [54,] NA ## [55,] NA ## [56,] NA ## [57,] NA ## [58,] NA ## [59,] NA ## [60,] NA ## [61,] NA ## [62,] NA ## [63,] NA ## [64,] NA ## [65,] NA ## [66,] NA ## [67,] NA ## [68,] NA ## [69,] NA ## [70,] 1 ## [71,] NA ## [72,] NA ## [73,] NA ## [74,] NA ## [75,] NA ## [76,] NA ## [77,] NA ## [78,] 1 ## [79,] NA ## [80,] NA ## [81,] NA ## [82,] NA ## [83,] NA ## [84,] NA ## [85,] NA ## [86,] NA ## [87,] NA ## [88,] NA ## [89,] NA ## [90,] 1 ## [91,] 3 ## [92,] 2 ## [93,] NA ## [94,] NA ## [95,] NA ## [96,] 1 ## [97,] NA ## [98,] 1 ## [99,] NA ## [100,] NA ## [101,] NA ## [102,] NA ## [103,] NA ## [104,] NA ## [105,] NA ## [106,] NA ## [107,] NA ## [108,] NA ## [109,] NA ## [110,] NA ## [111,] NA ## [112,] 1 ## [113,] NA ## [114,] NA ## [115,] 1 ## [116,] NA ## [117,] NA ## [118,] NA ## [119,] NA ## [120,] NA ## [121,] NA ## [122,] 1 ## [123,] NA ## [124,] NA ## [125,] 3 ## [126,] NA ## [127,] NA ## [128,] NA ## [129,] NA ## [130,] NA ## [131,] NA ## [132,] 1 ## [133,] NA ## [134,] NA ## [135,] NA ## [136,] 1 ## [137,] 1 ## [138,] NA ## [139,] 1 ## [140,] 1 ## [141,] NA ## [142,] NA ## [143,] NA ## [144,] 1 ## [145,] NA ## [146,] NA ## [147,] NA ## [148,] NA ## [149,] NA ## [150,] NA ## [151,] NA ## [152,] NA ## [153,] 1 ## [154,] NA ## [155,] NA ## [156,] NA ## [157,] NA ## [158,] NA ## [159,] NA ## [160,] NA ## [161,] NA ## [162,] NA ## [163,] NA ## [164,] NA ## [165,] 1 ## [166,] NA ## [167,] NA ## [168,] NA ## [169,] NA ## [170,] NA ## [171,] NA ## [172,] NA ## [173,] NA ## [174,] NA ## [175,] NA ## [176,] NA ## [177,] NA ## [178,] NA ## [179,] NA ## [180,] NA ## [181,] NA ## [182,] NA ## [183,] NA ## [184,] NA ## [185,] NA ## [186,] 1 ## [187,] NA ## [188,] NA ## [189,] 3 ## [190,] NA ## [191,] NA ## [192,] 1 ## [193,] NA ## [194,] 2 ## [195,] NA ## [196,] NA ## [197,] NA ## [198,] 1 ## [199,] NA ## [200,] NA ## [201,] NA ## [202,] 1 ## [203,] NA ## [204,] NA ## [205,] NA ## [206,] NA ## [207,] NA ## [208,] NA ## [209,] NA ## [210,] NA ## [211,] NA ## [212,] 1 ## [213,] NA ## [214,] NA ## [215,] NA ## [216,] NA ## [217,] NA ## [218,] NA ## [219,] NA ## [220,] NA ## [221,] NA ## [222,] NA ## [223,] NA ## [224,] NA ## [225,] NA ## [226,] 2 ## [227,] NA ## [228,] NA ## [229,] 2 ## [230,] NA ## [231,] NA ## [232,] NA ## [233,] NA ## [234,] NA ## [235,] NA ## [236,] NA ## [237,] 1 ## [238,] NA ## [239,] NA ## [240,] NA ## [241,] NA ## [242,] NA ## [243,] NA ## [244,] 1 ## [245,] NA ## [246,] NA ## [247,] NA ## [248,] NA ## [249,] NA ## [250,] NA ## [251,] NA ## [252,] NA ## [253,] NA ## [254,] NA ## [255,] NA ## [256,] NA ## [257,] NA ## [258,] NA ## [259,] NA ## [260,] NA ## [261,] NA ## [262,] NA ## [263,] NA ## [264,] NA ## [265,] NA ## [266,] NA ## [267,] NA ## [268,] 1 ## [269,] NA ## [270,] NA ## [271,] NA ## [272,] NA ## [273,] NA ## [274,] NA ## [275,] NA ## [276,] NA ## [277,] NA ## [278,] NA ## [279,] NA ## [280,] NA ## [281,] 1 ## [282,] NA ## [283,] NA ## [284,] NA ## [285,] NA ## [286,] NA ## [287,] 1 ## [288,] NA ## [289,] NA ## [290,] NA ## [291,] NA ## [292,] NA ## [293,] NA ## [294,] NA ## [295,] NA ## [296,] NA ## [297,] NA ## [298,] 1 ## [299,] NA ## [300,] NA ## [301,] NA ## [302,] NA ## [303,] NA ## [304,] 3 ## [305,] NA ## [306,] NA ## [307,] NA ## [308,] 1 ## [309,] 1 ## [310,] NA ## [311,] NA ## [312,] NA ## [313,] NA ## [314,] NA ## [315,] NA ## [316,] NA ## [317,] NA ## [318,] NA ## [319,] NA ## [320,] NA ## [321,] 1 ## [322,] NA ## [323,] NA ## [324,] NA ## [325,] NA ## [326,] NA ## [327,] NA ## [328,] NA ## [329,] NA ## [330,] 2 ## [331,] NA ## [332,] NA ## [333,] NA ## [334,] NA ## [335,] 1 ## [336,] NA ## [337,] NA ## [338,] NA ## [339,] NA ## [340,] NA ## [341,] NA ## [342,] NA ## [343,] NA ## [344,] NA ## [345,] NA ## [346,] NA ## [347,] NA ## [348,] NA ## [349,] NA ## [350,] NA ## [351,] NA ## [352,] NA ## [353,] NA ## [354,] NA ## [355,] NA ## [356,] NA ## [357,] NA ## [358,] NA ## [359,] NA ## [360,] NA ## [361,] NA ## [362,] NA ## [363,] NA ## [364,] NA ## [365,] NA ## [366,] 3 ## [367,] NA ## [368,] NA ## [369,] NA ## [370,] NA ## [371,] NA ## [372,] NA ## [373,] NA ## [374,] NA ## [375,] NA ## [376,] NA ## [377,] NA ## [378,] NA ## [379,] NA ## [380,] NA ## [381,] NA ## [382,] NA ## [383,] NA ## [384,] NA ## [385,] NA ## [386,] NA ## [387,] NA ## [388,] NA ## [389,] NA ## [390,] NA ## [391,] NA ## [392,] NA ## [393,] 1 ## [394,] NA ## [395,] NA ## [396,] 1 ## [397,] NA ## [398,] NA ## [399,] NA ## [400,] NA ## [401,] NA ## [402,] NA ## [403,] NA ## [404,] NA ## [405,] NA ## [406,] NA ## [407,] 1 ## [408,] NA ## [409,] NA ## [410,] NA ## [411,] NA ## [412,] NA ## [413,] NA ## [414,] NA ## [415,] NA ## [416,] NA ## [417,] NA ## [418,] NA ## [419,] NA ## [420,] NA ## [421,] NA ## [422,] NA ## [423,] NA ## [424,] 1 ## [425,] NA ## [426,] NA ## [427,] NA ## [428,] NA ## [429,] NA ## [430,] NA ## [431,] NA ## [432,] NA ## [433,] NA ## [434,] 2 ## [435,] NA ## [436,] NA ## [437,] NA ## [438,] NA ## [439,] NA ## [440,] NA ## [441,] NA ## [442,] NA ## [443,] NA ## [444,] NA ## [445,] NA ## [446,] NA ## [447,] NA ## [448,] 1 ## [449,] NA ## [450,] NA ## [451,] NA ## [452,] 2 ## [453,] NA ## [454,] NA ## [455,] NA ## [456,] NA ## [457,] NA ## [458,] NA ## [459,] NA ## [460,] NA ## [461,] NA ## [462,] NA ## [463,] 2 ## [464,] NA ## [465,] 1 ## [466,] 1 ## [467,] NA ## [468,] NA ## [469,] NA ## [470,] NA ## [471,] NA ## [472,] NA ## [473,] NA ## [474,] NA ## [475,] NA ## [476,] NA ## [477,] NA ## [478,] NA ## [479,] NA ## [480,] 1 ## [481,] NA ## [482,] NA ## [483,] NA ## [484,] NA ## [485,] NA ## [486,] NA ## [487,] NA ## [488,] NA ## [489,] NA ## [490,] NA ## [491,] NA ## [492,] NA ## [493,] NA ## [494,] 2 ## [495,] NA ## [496,] NA ## [497,] NA ## [498,] NA ## [499,] NA ## ## $alpha ## [1] 0.07527990 0.05264982 ## ## $b ## [,1] [,2] ## [1,] 16.82237 -1.09671783 ## [2,] 18.45996 -1.17257197 ## [3,] 16.35916 -1.43648177 ## [4,] 18.32449 -0.62006161 ## [5,] 14.11453 -1.49377697 ## [6,] 17.85342 -0.62988910 ## [7,] 15.00965 -1.50240969 ## [8,] 16.60067 -0.99062899 ## [9,] 16.32558 -0.86231709 ## [10,] 17.36109 -2.21613580 ## [11,] 14.83814 -0.91955881 ## [12,] 15.98703 -0.69908752 ## [13,] 16.89535 -1.14957607 ## [14,] 16.09765 -1.43713682 ## [15,] 17.58924 -0.26257537 ## [16,] 17.34873 -1.93277806 ## [17,] 17.66077 -0.99764644 ## [18,] 17.90498 -1.49338783 ## [19,] 16.83082 -1.36987189 ## [20,] 15.29427 -0.79058312 ## [21,] 15.93512 -0.51529812 ## [22,] 18.12135 -1.20369975 ## [23,] 15.65184 -1.42252297 ## [24,] 17.14285 -1.24694796 ## [25,] 16.93660 -1.41059429 ## [26,] 16.51957 -1.51009092 ## [27,] 16.06850 -1.08410607 ## [28,] 16.89161 -1.28024525 ## [29,] 16.07387 -1.29819586 ## [30,] 18.04565 -1.06399474 ## [31,] 16.75334 -0.95444638 ## [32,] 15.09267 -1.04404175 ## [33,] 18.29722 -1.17474072 ## [34,] 16.16653 -0.85971754 ## [35,] 17.22077 -1.16597680 ## [36,] 17.27507 -1.46001637 ## [37,] 16.88972 -0.69032387 ## [38,] 18.25906 -1.17194256 ## [39,] 19.50686 -1.15304910 ## [40,] 17.66732 -1.47970979 ## [41,] 17.35656 -0.72711632 ## [42,] 15.72421 -1.20942897 ## [43,] 17.97139 0.27640576 ## [44,] 15.41416 -1.61869782 ## [45,] 16.66837 -1.38140139 ## [46,] 17.55817 -1.20057325 ## [47,] 17.40919 -1.44132925 ## [48,] 16.25728 -0.61950927 ## [49,] 16.62595 -1.05957774 ## [50,] 16.29408 -0.99685578 ## [51,] 16.94258 -1.24624599 ## [52,] 16.33478 -1.48088867 ## [53,] 16.52951 -1.58372811 ## [54,] 16.80794 -1.44418908 ## [55,] 17.97165 -0.79358278 ## [56,] 17.66551 -1.78841274 ## [57,] 16.95481 -1.68908424 ## [58,] 18.27617 -1.57991987 ## [59,] 17.80597 -0.74378393 ## [60,] 17.61044 -0.94611563 ## [61,] 16.45236 -0.87800222 ## [62,] 17.29381 -1.55483225 ## [63,] 18.15502 -1.28801993 ## [64,] 18.04386 -1.57138011 ## [65,] 14.91690 -1.78681054 ## [66,] 17.08912 -1.05262027 ## [67,] 14.64662 -1.47783901 ## [68,] 16.29459 -0.56838816 ## [69,] 16.22434 -1.13876701 ## [70,] 18.52242 -0.40135926 ## [71,] 17.03496 -1.36633845 ## [72,] 17.53031 -0.65001056 ## [73,] 14.78047 -0.53450999 ## [74,] 15.97812 -1.32557600 ## [75,] 16.04819 -1.61334653 ## [76,] 16.29606 -0.92325924 ## [77,] 15.44371 -1.01330982 ## [78,] 16.95939 -0.91862807 ## [79,] 16.26305 -0.97442869 ## [80,] 17.85768 -1.21729200 ## [81,] 17.57504 -1.60328597 ## [82,] 16.68083 -1.97431284 ## [83,] 16.93707 -1.89401904 ## [84,] 15.29231 -1.03432252 ## [85,] 18.46329 -1.05826746 ## [86,] 13.94382 -1.17843227 ## [87,] 17.50428 -0.64606130 ## [88,] 16.44076 -0.92987624 ## [89,] 17.84187 -0.77710762 ## [90,] 17.92758 -1.12185431 ## [91,] 14.18792 -1.34920040 ## [92,] 17.45642 -1.87529044 ## [93,] 15.47629 -1.09922942 ## [94,] 17.54695 -1.55087417 ## [95,] 17.42862 -1.37339556 ## [96,] 16.08557 -1.24260981 ## [97,] 17.79118 -1.43019718 ## [98,] 19.65195 -1.06414845 ## [99,] 15.41652 -1.30226312 ## [100,] 17.04018 -0.88587069 ## [101,] 16.68184 -1.23404275 ## [102,] 14.69504 -1.81102545 ## [103,] 13.77917 -1.47527446 ## [104,] 18.26071 -1.09020576 ## [105,] 16.56019 -1.44367249 ## [106,] 16.02335 -1.87211747 ## [107,] 16.45192 -0.81261744 ## [108,] 15.95231 -2.14750932 ## [109,] 17.30407 -0.69542966 ## [110,] 16.17976 -2.32461460 ## [111,] 18.89780 -1.18436292 ## [112,] 16.60964 -1.20509146 ## [113,] 12.97073 -1.63996464 ## [114,] 16.16227 -0.93166295 ## [115,] 15.91282 -0.53020053 ## [116,] 16.60304 -0.74232920 ## [117,] 15.93635 -1.35347660 ## [118,] 16.51984 -1.84384008 ## [119,] 14.33892 -1.89482262 ## [120,] 15.94198 -1.91651641 ## [121,] 16.45215 -1.08236025 ## [122,] 16.45352 -1.12202954 ## [123,] 17.50649 -1.08948870 ## [124,] 16.01301 -1.19759292 ## [125,] 15.70286 -1.50765267 ## [126,] 16.60058 -1.61177829 ## [127,] 17.13292 -0.70672255 ## [128,] 15.67777 -0.79511644 ## [129,] 16.09956 -1.22904320 ## [130,] 16.03430 -1.58531852 ## [131,] 16.82163 -1.16436905 ## [132,] 17.56931 -1.00499537 ## [133,] 16.44764 -0.65934256 ## [134,] 16.37544 -1.67065828 ## [135,] 17.15038 -0.34506501 ## [136,] 15.62978 -0.80464177 ## [137,] 18.56500 -1.26511292 ## [138,] 17.01126 -0.82303086 ## [139,] 15.01606 -1.42747333 ## [140,] 17.42108 -1.82022851 ## [141,] 17.26163 -0.85635856 ## [142,] 16.72088 -0.54246219 ## [143,] 16.89459 -1.05437858 ## [144,] 15.78682 -0.58583457 ## [145,] 17.02276 -1.26175134 ## [146,] 19.47245 -1.30002622 ## [147,] 16.98796 -0.80105475 ## [148,] 17.57570 -1.09360941 ## [149,] 16.04069 -1.46606580 ## [150,] 17.36711 -1.50527111 ## [151,] 18.18845 -1.44869161 ## [152,] 17.22381 -1.40880700 ## [153,] 16.60233 -1.41894279 ## [154,] 18.37768 -0.77810912 ## [155,] 15.20849 -1.06363311 ## [156,] 17.53725 -1.15943424 ## [157,] 16.26982 -1.30214806 ## [158,] 16.24247 -2.06045773 ## [159,] 17.58365 -0.93650982 ## [160,] 15.55877 -1.37071412 ## [161,] 16.70444 -0.59472631 ## [162,] 13.61797 -2.21969788 ## [163,] 17.20664 -1.10007378 ## [164,] 15.82253 -1.40068267 ## [165,] 16.20244 -0.42110486 ## [166,] 16.69406 -0.73819419 ## [167,] 15.68184 -1.71515234 ## [168,] 16.39898 -1.09412195 ## [169,] 15.49742 -1.26491528 ## [170,] 16.05821 -0.98818956 ## [171,] 17.30192 -1.28705551 ## [172,] 17.71455 -0.90622419 ## [173,] 16.67567 -0.69939143 ## [174,] 17.85426 -1.36134848 ## [175,] 16.12194 -0.58253960 ## [176,] 17.26586 -0.92602694 ## [177,] 16.34873 -0.89991349 ## [178,] 13.73139 -1.94522631 ## [179,] 16.52447 -1.19361944 ## [180,] 16.56742 -1.39160180 ## [181,] 17.62359 -1.28834216 ## [182,] 16.12404 -1.55180164 ## [183,] 17.79165 -0.81299390 ## [184,] 16.15148 -1.56320959 ## [185,] 19.75130 -1.15317654 ## [186,] 17.70777 -1.42772357 ## [187,] 16.88028 -1.64150763 ## [188,] 16.19664 -0.81578832 ## [189,] 16.76496 -1.37671608 ## [190,] 16.52740 -1.37910643 ## [191,] 16.45638 -1.74360878 ## [192,] 15.00604 -1.19372291 ## [193,] 15.56181 -1.12564126 ## [194,] 16.05439 -0.57615699 ## [195,] 14.71314 -1.36279293 ## [196,] 17.46827 -1.66358496 ## [197,] 18.70148 -1.67644341 ## [198,] 16.87775 -0.81637802 ## [199,] 17.83204 -1.20594180 ## [200,] 15.30634 -1.69541946 ## [201,] 17.40659 0.13380762 ## [202,] 17.86036 -1.54241302 ## [203,] 17.88793 -1.06628744 ## [204,] 17.36146 -1.39762674 ## [205,] 18.26079 -1.17445010 ## [206,] 16.28760 -1.75593467 ## [207,] 15.63508 -1.66325059 ## [208,] 15.93982 -1.20787400 ## [209,] 19.24562 -0.89891478 ## [210,] 17.01272 -1.08532507 ## [211,] 19.21757 -1.90779320 ## [212,] 17.04069 -0.62709147 ## [213,] 16.04436 -0.89210362 ## [214,] 17.22477 -0.79266764 ## [215,] 18.01356 -0.56508872 ## [216,] 14.74673 -1.17016754 ## [217,] 16.32801 -1.00959034 ## [218,] 15.74505 -0.88096779 ## [219,] 14.84424 -2.35441237 ## [220,] 17.34351 -0.88690542 ## [221,] 17.16888 -1.78672444 ## [222,] 16.79350 -0.72436665 ## [223,] 15.80161 -0.63082729 ## [224,] 16.41434 -1.52575766 ## [225,] 16.90311 -0.88201250 ## [226,] 16.39273 -1.03473662 ## [227,] 15.50510 -1.60358986 ## [228,] 18.07152 -1.20402989 ## [229,] 16.94168 -1.63217586 ## [230,] 14.64103 -1.35376578 ## [231,] 15.67517 -1.33603007 ## [232,] 18.21536 -1.79394177 ## [233,] 16.39013 -1.74007694 ## [234,] 17.84300 -1.13420523 ## [235,] 17.05587 -0.84284869 ## [236,] 15.85832 -1.46013423 ## [237,] 14.83483 -1.32192715 ## [238,] 17.56416 -1.43756241 ## [239,] 17.00249 -1.75064837 ## [240,] 18.51824 -1.46502799 ## [241,] 17.19542 -0.71270420 ## [242,] 17.41095 -1.76355211 ## [243,] 18.30474 -1.34005121 ## [244,] 15.96826 -1.00634309 ## [245,] 16.86470 -0.54353379 ## [246,] 15.51404 -1.25300556 ## [247,] 19.43751 -0.18227381 ## [248,] 15.55728 -1.24404210 ## [249,] 19.71027 -1.58712907 ## [250,] 17.82383 -1.25963892 ## [251,] 14.34329 -1.84041561 ## [252,] 17.62085 -1.24237264 ## [253,] 15.50457 -2.26485994 ## [254,] 16.46800 -0.95506726 ## [255,] 15.70515 -0.91807317 ## [256,] 16.27881 -1.04587466 ## [257,] 16.18135 -1.10477940 ## [258,] 15.90981 -1.35563517 ## [259,] 15.88969 -1.62488340 ## [260,] 14.93001 -0.41352434 ## [261,] 14.20599 -1.58735263 ## [262,] 15.35524 -0.93739617 ## [263,] 16.19908 -1.11778146 ## [264,] 16.00789 -1.23364259 ## [265,] 15.20605 -0.97793331 ## [266,] 18.07794 -1.81751303 ## [267,] 15.13765 -1.43723535 ## [268,] 17.23051 -1.44781073 ## [269,] 17.05119 -0.85611980 ## [270,] 16.33994 -0.88012606 ## [271,] 17.59115 -0.72891442 ## [272,] 16.53056 -0.83015663 ## [273,] 16.28885 -1.46268576 ## [274,] 16.28987 -1.04151120 ## [275,] 16.47580 -0.53458770 ## [276,] 15.86583 -1.70363772 ## [277,] 16.07965 -0.62037152 ## [278,] 16.61709 -1.98638776 ## [279,] 16.26498 -1.02769503 ## [280,] 15.50334 -1.03115272 ## [281,] 16.64043 -0.98370246 ## [282,] 18.09195 -0.94925904 ## [283,] 15.45778 -2.46411141 ## [284,] 17.53822 -1.38732079 ## [285,] 14.26251 -0.81114603 ## [286,] 14.54246 -1.21605884 ## [287,] 17.66882 -1.05329635 ## [288,] 17.23574 -1.20471396 ## [289,] 14.88250 -1.55557854 ## [290,] 17.53721 -1.02202138 ## [291,] 16.42756 -0.79819791 ## [292,] 13.83149 -0.95607472 ## [293,] 16.15188 -0.89590975 ## [294,] 16.77245 -1.87824626 ## [295,] 15.17731 -1.82295818 ## [296,] 17.34698 -1.18553191 ## [297,] 18.11341 -0.27989303 ## [298,] 16.92898 -1.48328784 ## [299,] 15.34524 -1.60713255 ## [300,] 14.92954 -1.62990532 ## [301,] 16.22659 -0.58462235 ## [302,] 14.72876 -1.46429979 ## [303,] 15.22823 -0.32337915 ## [304,] 16.64657 -0.70189457 ## [305,] 19.06930 -0.93781254 ## [306,] 15.65250 -0.28436645 ## [307,] 17.69746 -1.77787575 ## [308,] 16.54242 -1.01108754 ## [309,] 15.44332 -1.60195036 ## [310,] 18.13959 -1.48861232 ## [311,] 14.97205 -1.36177922 ## [312,] 18.50115 -1.39736990 ## [313,] 18.03082 -0.74050470 ## [314,] 16.24727 -1.10290348 ## [315,] 17.76005 -1.13457443 ## [316,] 15.84150 -1.13462655 ## [317,] 17.40480 -1.70494490 ## [318,] 18.06079 -1.56506965 ## [319,] 16.67608 -1.28492980 ## [320,] 16.49211 -2.08512795 ## [321,] 14.43066 -1.58816162 ## [322,] 19.35659 -1.23330411 ## [323,] 17.43874 -1.03630074 ## [324,] 18.04016 -0.66779487 ## [325,] 17.25362 0.01868738 ## [326,] 15.82306 -1.55834128 ## [327,] 16.50383 -1.40840148 ## [328,] 16.45237 -1.39254354 ## [329,] 19.50984 -0.93988220 ## [330,] 18.10023 -1.43829712 ## [331,] 16.15086 -1.63055012 ## [332,] 16.91683 -0.05999230 ## [333,] 17.36509 -0.86266849 ## [334,] 17.71860 -1.60632608 ## [335,] 19.03974 -2.16278826 ## [336,] 14.54139 -1.31459643 ## [337,] 18.26629 -1.59146338 ## [338,] 17.45120 -0.84500038 ## [339,] 14.51920 -0.74741220 ## [340,] 14.77695 -1.87162617 ## [341,] 17.73568 -0.84550824 ## [342,] 15.19045 -1.43748424 ## [343,] 15.80706 -1.34329457 ## [344,] 17.21844 -0.87187973 ## [345,] 18.93902 -1.06105614 ## [346,] 17.72532 -0.85704408 ## [347,] 16.37114 -1.56485602 ## [348,] 18.94193 -1.34438658 ## [349,] 16.26934 -1.69494495 ## [350,] 15.28742 -1.14499821 ## [351,] 17.31925 -1.24563841 ## [352,] 15.35477 -1.37104814 ## [353,] 17.52209 -0.83491996 ## [354,] 15.87976 -1.32790708 ## [355,] 16.76189 -0.81190941 ## [356,] 16.81500 -1.37350799 ## [357,] 16.42847 -1.37375183 ## [358,] 18.80222 -0.60169512 ## [359,] 18.79087 -0.76707844 ## [360,] 15.56188 -1.53965663 ## [361,] 18.63024 -1.02269550 ## [362,] 16.29442 -1.06279079 ## [363,] 16.79710 -1.85119160 ## [364,] 16.48405 -0.97497777 ## [365,] 17.98724 -1.42995837 ## [366,] 16.01885 -2.02347837 ## [367,] 15.04470 -0.95925527 ## [368,] 16.81019 -0.87513854 ## [369,] 14.51573 -0.87244495 ## [370,] 15.44659 -0.63006379 ## [371,] 15.39758 -1.68272191 ## [372,] 17.62538 -0.81997156 ## [373,] 16.98699 -0.71998985 ## [374,] 15.83251 -0.83770601 ## [375,] 15.61734 -1.50454284 ## [376,] 16.90284 -1.04993109 ## [377,] 16.37830 -0.51806433 ## [378,] 14.13943 -1.33955156 ## [379,] 16.00994 -1.04680821 ## [380,] 18.54904 -1.19368421 ## [381,] 17.53333 -1.06938044 ## [382,] 16.34637 -0.98298208 ## [383,] 15.85445 -1.09469783 ## [384,] 15.62472 -0.70053483 ## [385,] 16.48838 -0.95090962 ## [386,] 17.15123 -0.63009761 ## [387,] 16.20520 -0.52298608 ## [388,] 16.18712 -0.26761492 ## [389,] 15.88392 -0.86557328 ## [390,] 17.26589 -0.80151188 ## [391,] 16.52722 -2.41417935 ## [392,] 15.76980 -1.33270713 ## [393,] 17.52382 -0.72965862 ## [394,] 16.15069 -0.79078685 ## [395,] 15.77206 -0.82363032 ## [396,] 15.41443 -1.68012559 ## [397,] 18.03142 -1.25177465 ## [398,] 15.76579 -0.90482805 ## [399,] 18.24649 -0.57335567 ## [400,] 15.57014 -1.42494808 ## [401,] 16.50072 -1.02517664 ## [402,] 15.80314 -1.67388765 ## [403,] 16.77774 -1.16927784 ## [404,] 13.28740 -0.65942207 ## [405,] 16.05119 -0.80356502 ## [406,] 16.21263 -1.36209147 ## [407,] 16.63655 -1.06628795 ## [408,] 16.27066 -1.86367419 ## [409,] 15.90458 -1.12889312 ## [410,] 16.56135 -1.61053165 ## [411,] 17.09314 -1.09572102 ## [412,] 15.95793 -0.86019815 ## [413,] 18.48405 -1.21672286 ## [414,] 16.87455 -0.74272839 ## [415,] 16.83418 -1.73961905 ## [416,] 16.76631 -2.08092543 ## [417,] 16.18765 -0.93849999 ## [418,] 16.08835 -0.80819011 ## [419,] 16.76394 -1.17280098 ## [420,] 16.22314 -1.17522054 ## [421,] 16.77270 -2.10857133 ## [422,] 16.06603 -1.46511602 ## [423,] 15.83262 -0.43224010 ## [424,] 18.84587 -0.37487755 ## [425,] 17.18567 -1.18640044 ## [426,] 15.29030 -0.84077440 ## [427,] 16.02632 -0.53432795 ## [428,] 15.66337 -1.09123083 ## [429,] 16.79934 -1.26671742 ## [430,] 17.09816 -1.96181664 ## [431,] 16.70891 -1.44089308 ## [432,] 17.75780 -1.34354995 ## [433,] 15.67681 -1.41736724 ## [434,] 16.75556 -1.16009664 ## [435,] 16.45119 -1.03822524 ## [436,] 15.80401 -1.48906575 ## [437,] 16.36100 -1.10680888 ## [438,] 17.39061 -1.33210867 ## [439,] 15.89996 -1.23635643 ## [440,] 17.33474 -1.76677093 ## [441,] 15.02565 -1.04171643 ## [442,] 18.13362 -1.07326046 ## [443,] 15.68220 -0.87357359 ## [444,] 16.10422 -1.06806959 ## [445,] 15.22551 -1.13401078 ## [446,] 16.33969 -0.89998604 ## [447,] 14.93087 -1.36120932 ## [448,] 16.85235 -1.13109687 ## [449,] 16.85220 -1.52311341 ## [450,] 14.98492 -1.57815688 ## [451,] 16.52641 -1.34518384 ## [452,] 18.30691 -1.48711136 ## [453,] 16.92515 -1.52641682 ## [454,] 16.10139 -1.58801434 ## [455,] 16.90142 -1.22214615 ## [456,] 16.19969 -0.78450804 ## [457,] 17.42260 -0.40834239 ## [458,] 16.46367 -1.00633953 ## [459,] 16.97781 -1.48746687 ## [460,] 14.56427 -0.77795117 ## [461,] 18.75872 -0.57277422 ## [462,] 17.37432 -1.38346981 ## [463,] 17.33966 -1.45656543 ## [464,] 15.30945 -1.58339798 ## [465,] 15.42349 -1.43265499 ## [466,] 18.56939 -1.05218176 ## [467,] 16.01873 -0.90559431 ## [468,] 15.33118 -1.19381993 ## [469,] 15.95063 -1.13394197 ## [470,] 14.95520 -1.01507944 ## [471,] 15.56447 -1.68131487 ## [472,] 17.02624 -0.57857028 ## [473,] 15.58804 -1.35855530 ## [474,] 15.16814 -1.34844878 ## [475,] 15.70383 -0.64082092 ## [476,] 16.74950 -0.50467044 ## [477,] 17.51038 -1.41727477 ## [478,] 16.25687 -0.39179906 ## [479,] 15.54709 -1.47359225 ## [480,] 15.23125 -0.78720107 ## [481,] 11.90889 -0.61074858 ## [482,] 17.71321 -0.60907724 ## [483,] 15.52170 -1.29695253 ## [484,] 16.97733 -0.47888404 ## [485,] 17.07321 -0.67797757 ## [486,] 16.32656 -1.32362857 ## [487,] 17.07346 -1.51285880 ## [488,] 16.43730 -1.57975602 ## [489,] 18.87889 -0.61431633 ## [490,] 18.13390 -0.77787347 ## [491,] 15.45080 -1.15358610 ## [492,] 15.35969 -1.77821149 ## [493,] 16.17926 -1.07427358 ## [494,] 17.03100 -0.70188627 ## [495,] 17.27811 -0.55645081 ## [496,] 14.90502 -1.00495729 ## [497,] 15.54949 -0.84782973 ## [498,] 14.00846 -1.10939955 ## [499,] 14.92116 -0.97031112 ## ## $beta ## [1] 16.635623575 0.001135365 0.045199260 -0.238416366 -1.162097091 ## [6] 1.225547969 ## ## $delta_SMOKE ## [1] -0.6229248 ## ## $gamma_SMOKE ## [1] 0.9815636 NA ## ## $invD ## [,1] [,2] ## [1,] 0.6862961 -0.2158112 ## [2,] -0.2158112 6.0496669 ## ## $mu_b ## [,1] [,2] ## [1,] NA -1.162097 ## [2,] NA -1.162097 ## [3,] NA -1.162097 ## [4,] NA -1.162097 ## [5,] NA -1.162097 ## [6,] NA -1.162097 ## [7,] NA -1.162097 ## [8,] NA -1.162097 ## [9,] NA -1.162097 ## [10,] NA -1.162097 ## [11,] NA -1.162097 ## [12,] NA -1.162097 ## [13,] NA -1.162097 ## [14,] NA -1.162097 ## [15,] NA -1.162097 ## [16,] NA -1.162097 ## [17,] NA -1.162097 ## [18,] NA -1.162097 ## [19,] NA -1.162097 ## [20,] NA -1.162097 ## [21,] NA -1.162097 ## [22,] NA -1.162097 ## [23,] NA -1.162097 ## [24,] NA -1.162097 ## [25,] NA -1.162097 ## [26,] NA -1.162097 ## [27,] NA -1.162097 ## [28,] NA -1.162097 ## [29,] NA -1.162097 ## [30,] NA -1.162097 ## [31,] NA -1.162097 ## [32,] NA -1.162097 ## [33,] NA -1.162097 ## [34,] NA -1.162097 ## [35,] NA -1.162097 ## [36,] NA -1.162097 ## [37,] NA -1.162097 ## [38,] NA -1.162097 ## [39,] NA -1.162097 ## [40,] NA -1.162097 ## [41,] NA -1.162097 ## [42,] NA -1.162097 ## [43,] NA -1.162097 ## [44,] NA -1.162097 ## [45,] NA -1.162097 ## [46,] NA -1.162097 ## [47,] NA -1.162097 ## [48,] NA -1.162097 ## [49,] NA -1.162097 ## [50,] NA -1.162097 ## [51,] NA -1.162097 ## [52,] NA -1.162097 ## [53,] NA -1.162097 ## [54,] NA -1.162097 ## [55,] NA -1.162097 ## [56,] NA -1.162097 ## [57,] NA -1.162097 ## [58,] NA -1.162097 ## [59,] NA -1.162097 ## [60,] NA -1.162097 ## [61,] NA -1.162097 ## [62,] NA -1.162097 ## [63,] NA -1.162097 ## [64,] NA -1.162097 ## [65,] NA -1.162097 ## [66,] NA -1.162097 ## [67,] NA -1.162097 ## [68,] NA -1.162097 ## [69,] NA -1.162097 ## [70,] NA -1.162097 ## [71,] NA -1.162097 ## [72,] NA -1.162097 ## [73,] NA -1.162097 ## [74,] NA -1.162097 ## [75,] NA -1.162097 ## [76,] NA -1.162097 ## [77,] NA -1.162097 ## [78,] NA -1.162097 ## [79,] NA -1.162097 ## [80,] NA -1.162097 ## [81,] NA -1.162097 ## [82,] NA -1.162097 ## [83,] NA -1.162097 ## [84,] NA -1.162097 ## [85,] NA -1.162097 ## [86,] NA -1.162097 ## [87,] NA -1.162097 ## [88,] NA -1.162097 ## [89,] NA -1.162097 ## [90,] NA -1.162097 ## [91,] NA -1.162097 ## [92,] NA -1.162097 ## [93,] NA -1.162097 ## [94,] NA -1.162097 ## [95,] NA -1.162097 ## [96,] NA -1.162097 ## [97,] NA -1.162097 ## [98,] NA -1.162097 ## [99,] NA -1.162097 ## [100,] NA -1.162097 ## [101,] NA -1.162097 ## [102,] NA -1.162097 ## [103,] NA -1.162097 ## [104,] NA -1.162097 ## [105,] NA -1.162097 ## [106,] NA -1.162097 ## [107,] NA -1.162097 ## [108,] NA -1.162097 ## [109,] NA -1.162097 ## [110,] NA -1.162097 ## [111,] NA -1.162097 ## [112,] NA -1.162097 ## [113,] NA -1.162097 ## [114,] NA -1.162097 ## [115,] NA -1.162097 ## [116,] NA -1.162097 ## [117,] NA -1.162097 ## [118,] NA -1.162097 ## [119,] NA -1.162097 ## [120,] NA -1.162097 ## [121,] NA -1.162097 ## [122,] NA -1.162097 ## [123,] NA -1.162097 ## [124,] NA -1.162097 ## [125,] NA -1.162097 ## [126,] NA -1.162097 ## [127,] NA -1.162097 ## [128,] NA -1.162097 ## [129,] NA -1.162097 ## [130,] NA -1.162097 ## [131,] NA -1.162097 ## [132,] NA -1.162097 ## [133,] NA -1.162097 ## [134,] NA -1.162097 ## [135,] NA -1.162097 ## [136,] NA -1.162097 ## [137,] NA -1.162097 ## [138,] NA -1.162097 ## [139,] NA -1.162097 ## [140,] NA -1.162097 ## [141,] NA -1.162097 ## [142,] NA -1.162097 ## [143,] NA -1.162097 ## [144,] NA -1.162097 ## [145,] NA -1.162097 ## [146,] NA -1.162097 ## [147,] NA -1.162097 ## [148,] NA -1.162097 ## [149,] NA -1.162097 ## [150,] NA -1.162097 ## [151,] NA -1.162097 ## [152,] NA -1.162097 ## [153,] NA -1.162097 ## [154,] NA -1.162097 ## [155,] NA -1.162097 ## [156,] NA -1.162097 ## [157,] NA -1.162097 ## [158,] NA -1.162097 ## [159,] NA -1.162097 ## [160,] NA -1.162097 ## [161,] NA -1.162097 ## [162,] NA -1.162097 ## [163,] NA -1.162097 ## [164,] NA -1.162097 ## [165,] NA -1.162097 ## [166,] NA -1.162097 ## [167,] NA -1.162097 ## [168,] NA -1.162097 ## [169,] NA -1.162097 ## [170,] NA -1.162097 ## [171,] NA -1.162097 ## [172,] NA -1.162097 ## [173,] NA -1.162097 ## [174,] NA -1.162097 ## [175,] NA -1.162097 ## [176,] NA -1.162097 ## [177,] NA -1.162097 ## [178,] NA -1.162097 ## [179,] NA -1.162097 ## [180,] NA -1.162097 ## [181,] NA -1.162097 ## [182,] NA -1.162097 ## [183,] NA -1.162097 ## [184,] NA -1.162097 ## [185,] NA -1.162097 ## [186,] NA -1.162097 ## [187,] NA -1.162097 ## [188,] NA -1.162097 ## [189,] NA -1.162097 ## [190,] NA -1.162097 ## [191,] NA -1.162097 ## [192,] NA -1.162097 ## [193,] NA -1.162097 ## [194,] NA -1.162097 ## [195,] NA -1.162097 ## [196,] NA -1.162097 ## [197,] NA -1.162097 ## [198,] NA -1.162097 ## [199,] NA -1.162097 ## [200,] NA -1.162097 ## [201,] NA -1.162097 ## [202,] NA -1.162097 ## [203,] NA -1.162097 ## [204,] NA -1.162097 ## [205,] NA -1.162097 ## [206,] NA -1.162097 ## [207,] NA -1.162097 ## [208,] NA -1.162097 ## [209,] NA -1.162097 ## [210,] NA -1.162097 ## [211,] NA -1.162097 ## [212,] NA -1.162097 ## [213,] NA -1.162097 ## [214,] NA -1.162097 ## [215,] NA -1.162097 ## [216,] NA -1.162097 ## [217,] NA -1.162097 ## [218,] NA -1.162097 ## [219,] NA -1.162097 ## [220,] NA -1.162097 ## [221,] NA -1.162097 ## [222,] NA -1.162097 ## [223,] NA -1.162097 ## [224,] NA -1.162097 ## [225,] NA -1.162097 ## [226,] NA -1.162097 ## [227,] NA -1.162097 ## [228,] NA -1.162097 ## [229,] NA -1.162097 ## [230,] NA -1.162097 ## [231,] NA -1.162097 ## [232,] NA -1.162097 ## [233,] NA -1.162097 ## [234,] NA -1.162097 ## [235,] NA -1.162097 ## [236,] NA -1.162097 ## [237,] NA -1.162097 ## [238,] NA -1.162097 ## [239,] NA -1.162097 ## [240,] NA -1.162097 ## [241,] NA -1.162097 ## [242,] NA -1.162097 ## [243,] NA -1.162097 ## [244,] NA -1.162097 ## [245,] NA -1.162097 ## [246,] NA -1.162097 ## [247,] NA -1.162097 ## [248,] NA -1.162097 ## [249,] NA -1.162097 ## [250,] NA -1.162097 ## [251,] NA -1.162097 ## [252,] NA -1.162097 ## [253,] NA -1.162097 ## [254,] NA -1.162097 ## [255,] NA -1.162097 ## [256,] NA -1.162097 ## [257,] NA -1.162097 ## [258,] NA -1.162097 ## [259,] NA -1.162097 ## [260,] NA -1.162097 ## [261,] NA -1.162097 ## [262,] NA -1.162097 ## [263,] NA -1.162097 ## [264,] NA -1.162097 ## [265,] NA -1.162097 ## [266,] NA -1.162097 ## [267,] NA -1.162097 ## [268,] NA -1.162097 ## [269,] NA -1.162097 ## [270,] NA -1.162097 ## [271,] NA -1.162097 ## [272,] NA -1.162097 ## [273,] NA -1.162097 ## [274,] NA -1.162097 ## [275,] NA -1.162097 ## [276,] NA -1.162097 ## [277,] NA -1.162097 ## [278,] NA -1.162097 ## [279,] NA -1.162097 ## [280,] NA -1.162097 ## [281,] NA -1.162097 ## [282,] NA -1.162097 ## [283,] NA -1.162097 ## [284,] NA -1.162097 ## [285,] NA -1.162097 ## [286,] NA -1.162097 ## [287,] NA -1.162097 ## [288,] NA -1.162097 ## [289,] NA -1.162097 ## [290,] NA -1.162097 ## [291,] NA -1.162097 ## [292,] NA -1.162097 ## [293,] NA -1.162097 ## [294,] NA -1.162097 ## [295,] NA -1.162097 ## [296,] NA -1.162097 ## [297,] NA -1.162097 ## [298,] NA -1.162097 ## [299,] NA -1.162097 ## [300,] NA -1.162097 ## [301,] NA -1.162097 ## [302,] NA -1.162097 ## [303,] NA -1.162097 ## [304,] NA -1.162097 ## [305,] NA -1.162097 ## [306,] NA -1.162097 ## [307,] NA -1.162097 ## [308,] NA -1.162097 ## [309,] NA -1.162097 ## [310,] NA -1.162097 ## [311,] NA -1.162097 ## [312,] NA -1.162097 ## [313,] NA -1.162097 ## [314,] NA -1.162097 ## [315,] NA -1.162097 ## [316,] NA -1.162097 ## [317,] NA -1.162097 ## [318,] NA -1.162097 ## [319,] NA -1.162097 ## [320,] NA -1.162097 ## [321,] NA -1.162097 ## [322,] NA -1.162097 ## [323,] NA -1.162097 ## [324,] NA -1.162097 ## [325,] NA -1.162097 ## [326,] NA -1.162097 ## [327,] NA -1.162097 ## [328,] NA -1.162097 ## [329,] NA -1.162097 ## [330,] NA -1.162097 ## [331,] NA -1.162097 ## [332,] NA -1.162097 ## [333,] NA -1.162097 ## [334,] NA -1.162097 ## [335,] NA -1.162097 ## [336,] NA -1.162097 ## [337,] NA -1.162097 ## [338,] NA -1.162097 ## [339,] NA -1.162097 ## [340,] NA -1.162097 ## [341,] NA -1.162097 ## [342,] NA -1.162097 ## [343,] NA -1.162097 ## [344,] NA -1.162097 ## [345,] NA -1.162097 ## [346,] NA -1.162097 ## [347,] NA -1.162097 ## [348,] NA -1.162097 ## [349,] NA -1.162097 ## [350,] NA -1.162097 ## [351,] NA -1.162097 ## [352,] NA -1.162097 ## [353,] NA -1.162097 ## [354,] NA -1.162097 ## [355,] NA -1.162097 ## [356,] NA -1.162097 ## [357,] NA -1.162097 ## [358,] NA -1.162097 ## [359,] NA -1.162097 ## [360,] NA -1.162097 ## [361,] NA -1.162097 ## [362,] NA -1.162097 ## [363,] NA -1.162097 ## [364,] NA -1.162097 ## [365,] NA -1.162097 ## [366,] NA -1.162097 ## [367,] NA -1.162097 ## [368,] NA -1.162097 ## [369,] NA -1.162097 ## [370,] NA -1.162097 ## [371,] NA -1.162097 ## [372,] NA -1.162097 ## [373,] NA -1.162097 ## [374,] NA -1.162097 ## [375,] NA -1.162097 ## [376,] NA -1.162097 ## [377,] NA -1.162097 ## [378,] NA -1.162097 ## [379,] NA -1.162097 ## [380,] NA -1.162097 ## [381,] NA -1.162097 ## [382,] NA -1.162097 ## [383,] NA -1.162097 ## [384,] NA -1.162097 ## [385,] NA -1.162097 ## [386,] NA -1.162097 ## [387,] NA -1.162097 ## [388,] NA -1.162097 ## [389,] NA -1.162097 ## [390,] NA -1.162097 ## [391,] NA -1.162097 ## [392,] NA -1.162097 ## [393,] NA -1.162097 ## [394,] NA -1.162097 ## [395,] NA -1.162097 ## [396,] NA -1.162097 ## [397,] NA -1.162097 ## [398,] NA -1.162097 ## [399,] NA -1.162097 ## [400,] NA -1.162097 ## [401,] NA -1.162097 ## [402,] NA -1.162097 ## [403,] NA -1.162097 ## [404,] NA -1.162097 ## [405,] NA -1.162097 ## [406,] NA -1.162097 ## [407,] NA -1.162097 ## [408,] NA -1.162097 ## [409,] NA -1.162097 ## [410,] NA -1.162097 ## [411,] NA -1.162097 ## [412,] NA -1.162097 ## [413,] NA -1.162097 ## [414,] NA -1.162097 ## [415,] NA -1.162097 ## [416,] NA -1.162097 ## [417,] NA -1.162097 ## [418,] NA -1.162097 ## [419,] NA -1.162097 ## [420,] NA -1.162097 ## [421,] NA -1.162097 ## [422,] NA -1.162097 ## [423,] NA -1.162097 ## [424,] NA -1.162097 ## [425,] NA -1.162097 ## [426,] NA -1.162097 ## [427,] NA -1.162097 ## [428,] NA -1.162097 ## [429,] NA -1.162097 ## [430,] NA -1.162097 ## [431,] NA -1.162097 ## [432,] NA -1.162097 ## [433,] NA -1.162097 ## [434,] NA -1.162097 ## [435,] NA -1.162097 ## [436,] NA -1.162097 ## [437,] NA -1.162097 ## [438,] NA -1.162097 ## [439,] NA -1.162097 ## [440,] NA -1.162097 ## [441,] NA -1.162097 ## [442,] NA -1.162097 ## [443,] NA -1.162097 ## [444,] NA -1.162097 ## [445,] NA -1.162097 ## [446,] NA -1.162097 ## [447,] NA -1.162097 ## [448,] NA -1.162097 ## [449,] NA -1.162097 ## [450,] NA -1.162097 ## [451,] NA -1.162097 ## [452,] NA -1.162097 ## [453,] NA -1.162097 ## [454,] NA -1.162097 ## [455,] NA -1.162097 ## [456,] NA -1.162097 ## [457,] NA -1.162097 ## [458,] NA -1.162097 ## [459,] NA -1.162097 ## [460,] NA -1.162097 ## [461,] NA -1.162097 ## [462,] NA -1.162097 ## [463,] NA -1.162097 ## [464,] NA -1.162097 ## [465,] NA -1.162097 ## [466,] NA -1.162097 ## [467,] NA -1.162097 ## [468,] NA -1.162097 ## [469,] NA -1.162097 ## [470,] NA -1.162097 ## [471,] NA -1.162097 ## [472,] NA -1.162097 ## [473,] NA -1.162097 ## [474,] NA -1.162097 ## [475,] NA -1.162097 ## [476,] NA -1.162097 ## [477,] NA -1.162097 ## [478,] NA -1.162097 ## [479,] NA -1.162097 ## [480,] NA -1.162097 ## [481,] NA -1.162097 ## [482,] NA -1.162097 ## [483,] NA -1.162097 ## [484,] NA -1.162097 ## [485,] NA -1.162097 ## [486,] NA -1.162097 ## [487,] NA -1.162097 ## [488,] NA -1.162097 ## [489,] NA -1.162097 ## [490,] NA -1.162097 ## [491,] NA -1.162097 ## [492,] NA -1.162097 ## [493,] NA -1.162097 ## [494,] NA -1.162097 ## [495,] NA -1.162097 ## [496,] NA -1.162097 ## [497,] NA -1.162097 ## [498,] NA -1.162097 ## [499,] NA -1.162097 ## ## $tau_HEIGHT_M ## [1] 0.9377496 ## ## $tau_bmi ## [1] 1.337676
traceplot()
(base R or ggplot2)densplot()
(base R or ggplot2)summary()
GR_crit()
MC_error()
and plot(MC_error())
traceplot()
, densplot()
, summary()
, GR_crit()
and MC_error()
all take the arguments
subset
monitor_params
start
: first iteration to be used (burn-in)stop
: last iteration to be usedthin
: thinning intervalpredict()
: predict outcome for (new) datapredDF()
: create new data with one variable varying, others referencemod15b <- lme_imp(bmi ~ GESTBIR + ETHN + HEIGHT_M + ns(age, df = 3), random = ~ns(age, df = 3)|ID, data = simLong, n.iter = 250) # create dataset for prediction newDF <- predDF(mod15b, var = "age") # obtain predicted values pred <- predict(mod15b, newdata = newDF)
par(mar = c(3.2, 3, 0.5, 0.5), mgp = c(2, 0.6, 0)) matplot(pred$dat$age, pred$dat[, c('fit', '2.5%', '97.5%')], lty = c(1,2,2), type = 'l', col = 1, xlab = 'age in months', ylab = 'predicted value')
mod13b <- lm_imp(SBP ~ age + WC + alc + smoke + occup, data = NHANES, n.iter = 100, monitor_params = c(imps = TRUE))
impDF <- get_MIdat(mod13b, m = 5, include = T) # for example imp_mids <- mice::as.mids(impDF, .imp = 'Imputation_', .id = '.id') # and continue as if imputed with mice...
impDF <- get_MIdat(mod13b, m = 5, include = T, export_to_SPSS = TRUE, filename = 'my_imputed_data', resdir = 'the_results_directory')
auxvars
For details see the vignettes at https://nerler.github.io/JointAI/.
print()
, coef()
, fitted()
, resid()
Questions?