hatvalues.merMod.RdReturns the values on the diagonal of the hat matrix, which is the matrix that transforms the response vector (minus any offset) into the fitted values (minus any offset). Note that this method should only be used for linear mixed models. It is not clear if the hat matrix concept even makes sense for generalized linear mixed models.
# S3 method for class 'merMod'
hatvalues (model, fullHatMatrix = FALSE, ...)An object of class merMod.
Return full hat matrix (not just diagonal values)?
Not currently used
The diagonal elements of the hat matrix.
m <- lmer(Reaction ~ Days + (Days | Subject), sleepstudy)
hatvalues(m)
#> 1 2 3 4 5 6 7
#> 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625
#> 8 9 10 11 12 13 14
#> 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520
#> 15 16 17 18 19 20 21
#> 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404
#> 22 23 24 25 26 27 28
#> 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880
#> 29 30 31 32 33 34 35
#> 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445
#> 36 37 38 39 40 41 42
#> 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999
#> 43 44 45 46 47 48 49
#> 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911
#> 50 51 52 53 54 55 56
#> 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147
#> 57 58 59 60 61 62 63
#> 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372
#> 64 65 66 67 68 69 70
#> 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719
#> 71 72 73 74 75 76 77
#> 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625
#> 78 79 80 81 82 83 84
#> 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520
#> 85 86 87 88 89 90 91
#> 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404
#> 92 93 94 95 96 97 98
#> 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880
#> 99 100 101 102 103 104 105
#> 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445
#> 106 107 108 109 110 111 112
#> 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999
#> 113 114 115 116 117 118 119
#> 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911
#> 120 121 122 123 124 125 126
#> 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147
#> 127 128 129 130 131 132 133
#> 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372
#> 134 135 136 137 138 139 140
#> 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719
#> 141 142 143 144 145 146 147
#> 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625
#> 148 149 150 151 152 153 154
#> 0.16230880 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520
#> 155 156 157 158 159 160 161
#> 0.09101445 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719 0.22930404
#> 162 163 164 165 166 167 168
#> 0.16972999 0.12682372 0.10058520 0.09101445 0.09811147 0.12187625 0.16230880
#> 169 170 171 172 173 174 175
#> 0.21940911 0.29317719 0.22930404 0.16972999 0.12682372 0.10058520 0.09101445
#> 176 177 178 179 180
#> 0.09811147 0.12187625 0.16230880 0.21940911 0.29317719