Question

我有一个lme4模型，我已经运行了分层逻辑回归，我正在使用effects包绘制效果。我想创建一个效果图，其中平均值的标准误差为误差条。我可以将点估计值，95％置信区间和标准误差输入到数据帧中。但是，标准误差似乎与置信限制参数不一致，请参阅下面的常规glm中的示例。

library(effects)
library(dplyr)
mtcars <- mtcars %>%
mutate(vs = factor(vs))
glm1 <- glm(am ~ vs, mtcars, family = "binomial")
(glm1_eff <- Effect("vs", glm1) %>%
 as.data.frame())

  vs       fit        se     lower     upper
1  0 0.3333333 0.4999999 0.1580074 0.5712210
2  1 0.5000000 0.5345225 0.2596776 0.7403224

我的理解是，拟合列显示am等于1的概率的点估计，lower和upper对应概率的95％置信区间am等于1.注意，标准误差似乎与置信区间不对应（例如，.33 + .49> .57）。

这是我拍摄的内容。与95％的置信区间相反，我希望得到一个带有+的效应图 - 平均值的标准误差。

标准错误是标准错误而不是概率吗？有没有简单的方法将它们转换为概率并绘制它们以便我可以制作图形？

Answer 1

John Fox分享了这个有用的回应：

From？效果：＆＃34; se :(对于＆＃34; eff＆＃34;对象）效果的标准误差向量，在线性预测器的范围内。＆＃34;所以标准误差在对数几率范围内。＆＃34;您可以使用delta方法在概率量表上获得标准误差，但这是非常不明智的，因为估计概率的渐近正态性的方法将比对数几率慢得多。 Effect（）计算线性预测器的比例上的置信限（logit模型的log-odds），然后将它们逆转换为响应的比例（概率）。

创建自定义地块所需的所有信息都在＆＃34; eff＆＃34; Effect（）返回的对象;对象的内容记录在？效果中。

顺便说一句，我同意as.data.frame.eff（）方法可以改进，并且当我有机会时我会这样做。特别是，它会引起误解，报告对响应量表的影响和置信度限制，但显示线性预测值量表的标准误差。

Answer 2

我要先回答一个谜，然后再解决“在剧情中显示SE”问题

解释SE的奥秘：GLM中的所有数学运算都必须在链接范围内完成，因为这是加法范围（可以将所有内容加在一起）。所以...

“拟合”列中的值是预测的成功概率（或“响应量表的预测”）。它们的值为expit（b0）和expit（b0 + b1）。 expit（）是逆logit函数。 SE在链接规模上。响应等级上的SE没有多大意义，因为响应等级是非线性的（尽管有点奇怪，因为同一表中的响应和链接等级具有统计信息）。 “较低”和“较高”在响应尺度上，因此它们是预测的成功概率的CI。它们的计算方式为expit（b0±1.96SE）和expit（b0 + b1±1.96SE）。用给定的值恢复这些值

package Utils;

sub isort ($$) {
  my ($a, $b) = @_;

  # existing code...
}

<?xml version="1.0" encoding="utf-8"?>
<androidx.constraintlayout.widget.ConstraintLayout xmlns:android="http://schemas.android.com/apk/res/android"
    xmlns:app="http://schemas.android.com/apk/res-auto"
    xmlns:tools="http://schemas.android.com/tools"
    android:layout_width="match_parent"
    android:layout_height="match_parent"
    tools:context=".MainActivity">

    <Button
        android:id="@+id/button"
        android:layout_width="180dp"
        android:layout_height="wrap_content"
        android:text="@string/app_name"
        app:layout_constraintBottom_toBottomOf="parent"
        app:layout_constraintEnd_toEndOf="parent"
        app:layout_constraintStart_toStartOf="parent"
        app:layout_constraintTop_toTopOf="parent" />


    <Button
        android:id="@+id/button2"
        android:layout_width="wrap_content"
        android:layout_height="wrap_content"
        android:layout_marginStart="0dp"
        android:layout_marginTop="0dp"
        android:text="Button"
        app:layout_constraintStart_toEndOf="@+id/button"
        app:layout_constraintTop_toBottomOf="@+id/button" />
</androidx.constraintlayout.widget.ConstraintLayout>

在响应（非加性）标度上显示根据glm 计算的SE毫无意义，因为SE仅在链接标度上为可加性。换句话说，将SE乘以响应范围（您设想的图的比例，y轴上的概率）的某个分位数是没有意义的。 CI是从链接比例转换回的点估计，因此对于绘图很有意义。

我经常看到研究人员绘制从线性模型计算的SE条形图，就像您设想的那样，即使提供的统计数据来自GLM。我猜这些SE在某种意义上是有意义的，但它们通常暗示着荒谬的后果（例如概率可能小于零或大于一个），所以...也不要这样做。

绘制效果的标准误差

2 个答案: