Question

我使用R函数glmer定义了二元响应混合效果模型，如下所示：

fit <-glmer(binary_r ~ cat1 + (1 | SUBJECTIDf) + (1 | cat2) + (1 | cat1:cat2), 
                                  family = binomial("logit"), data = mydata))

其中cat1和cat2是分类变量，SUBJECTIDf表示标记研究的各个主题的因子变量。此外，SUBJECTIDf和cat2是交叉分类的因素。

我想针对上述模型执行以下操作：

创建一个表格，显示与cat1和cat2相关的每个类别组合的积极响应概率;
创建一个图（可能是一个毛虫图），显示a）中定义的概率;

和

为与cat1和cat2相关的所有类别组合创建在1.下定义的概率的摘要统计，包括最小和最大概率。

我假设为了达到上述结果，假设上面1中定义的个体概率形成为cat1和cat2的给定组合的所有受试者的平均值或中位数。< / p>

我非常感谢有关如何继续的建议。

Answer 1

由于您没有提供可重现的示例，我将模拟一个...... 这部分答案仅是设置示例数据集。

## crossed cat2 and SUBJECTIDf
dd <- expand.grid(cat2=factor(letters[1:10]),
                  SUBJECTIDf=factor(1:10))
## each subject gets one value of cat1:
## for example, half get A while half get B
cat_tab <- data.frame(SUBJECTIDf=factor(1:10),cat1=rep(c("A","B"),5))
dd <- merge(dd,cat_tab)

我在考虑cat1和cat2未进行交叉分类的设计考虑方面遇到了一些麻烦。我会敲掉一些类别：

dd <- with(dd,dd[!(cat1=="A" & cat2 %in% c("a","b","c")),])

现在我们设计了设计，我们模拟了响应值：

library(lme4)
form <- binary_r ~ cat1 + (1 | SUBJECTIDf) + (1 | cat2) + (1 | cat1:cat2)
dd$binary_r <- simulate(form[-2],  ## RHS only
         family=binomial,
         newdata=dd,
         newparams=list(beta=0:1,
                        theta=c(2,4,1)),
         seed=101)[[1]]

在这一点上，我们提供了适合您的模型。

fit <- glmer(form, family = binomial, data=dd)

创建一个表格，显示与cat1和cat2相关的每个类别组合的积极响应概率;

通过设置下面的re.form来排除主题ID，我们隐式计算假设中位个体的值（即，随机效果设置为零;平均值和中位数预测重合于logit scale，但不是一次我们回溯到概率尺度。）

获取数据中找到的cat1和cat2的唯一组合：

newdd <- unique(dd[,c("cat1","cat2")])
newdd$SUBJECTIDf <- NA  ## need to have SUBJECTIDf in the data frame ...
t1 <- predict(fit,newdata=newdd,type="response",
              re.form=~(1|cat2)+(1|cat1:cat2))
newdd <- data.frame(newdd[,c("cat1","cat2")],pred=t1)
head(newdd)
##   cat1 cat2        pred
## 4    A    d 0.215336024
## 5    A    e 0.944897414
## 6    A    f 0.036751551
## 7    A    g 0.003819873
## 8    A    h 0.970115614
## 9    A    i 0.003819873

我们还可以按如下方式计算所有个体的预测：

## we happen to have a factorial design, but expand.grid() would
## e.g. fill in missing values
newdd2 <- unique(dd[,c("cat1","cat2","SUBJECTIDf")])
t2 <- predict(fit,newdata=newdd2,type="response",
              re.form=NULL)
newdd2$pred <- t2
head(newdd2)

为了创建情节（见下文），我们必须在类别组合中对个人进行总结。

创建一个图（可能是一个毛虫图），显示a）中定义的概率;

library(ggplot2); theme_set(theme_bw())
ggplot(newdd,aes(cat2,pred,colour=cat1))+
   geom_point()+scale_colour_brewer(palette="Set1")

或者，聚合特定主题的预测：

ggplot(newdd2,aes(cat2,pred,colour=cat1))+
   stat_summary(fun.y=mean,geom="point")+
   scale_colour_brewer(palette="Set1")

我们可以在reorder()类别上使用cat2来尝试获得更明智的订单，但由于存在cat1:cat2互动，因此可能效果不佳。卡特彼勒图（即获得预测的不确定性）有点棘手，因为难以获得将条件模式（单个随机效应的值）和固定效应的不确定性结合起来的预测的不确定性。可以通过（1）假设条件模式和固定效果是独立的或（2）参数自举（bootMer）来完成，但两者都比我现在愿意采取的更麻烦。

为与cat1和cat2相关的所有类别组合创建在1.下定义的概率的摘要统计，包括最小和最大概率。

除非我们采用分解的路线，否则这对我来说并不合理。如果我们已经预测了cat1和cat2的每个组合，那么我们每个组合只有一个值（即，没有＆＃34; min / max＆＃34;概率）。在基数R中聚合很容易，例如

 aggregate(pred~cat1:cat2,data=newdd2,
            FUN=function(x) c(min=min(x),max=max(x)))

或在tidyverse：

 library(dplyr)
 newdd2 %>% group_by(cat1,cat2) %>%
     summarise(min=min(pred),max=max(pred))

用混合效应模型预测R中的概率

1 个答案: