带有交互术语的lmer引导

Question

我在R：

中使用lme4运行混合模型

full_mod3=lmer(logcptplus1 ~ logdepth*logcobb + (1|fyear) + (1 |flocation),
data=cpt, REML=TRUE)

摘要：

Formula: logcptplus1 ~ logdepth * logcobb + (1 | fyear) + (1 | flocation)
   Data: cpt

REML criterion at convergence: 577.5

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.7797 -0.5431  0.0248  0.6562  2.1733 

 Random effects:
 Groups    Name        Variance Std.Dev.
 fyear     (Intercept) 0.2254   0.4748  
 flocation (Intercept) 0.1557   0.3946  
 Residual              0.9663   0.9830  
Number of obs: 193, groups:  fyear, 16; flocation, 16

Fixed effects:
                  Estimate Std. Error t value
(Intercept)        4.3949     1.2319   3.568
logdepth           0.2681     0.4293   0.625
logcobb           -0.7189     0.5955  -1.207
logdepth:logcobb   0.3791     0.2071   1.831

我在R中使用了effects包和函数来计算模型输出的95％置信区间。我使用effects包计算并提取了95％CI和标准错误，这样我就可以通过保持辅助预测变量（logdepth）来检查重要预测变量和响应变量之间的关系。恒定在数据集的中位数（2.5）：

gm=4.3949 + 0.2681*depth_median + -0.7189*logcobb_range + 0.3791*
(depth_median*logcobb_range)

ef2=effect("logdepth*logcobb",full_mod3,
     xlevels=list(logcobb=seq(log(0.03268),log(0.37980),,200)))

我尝试使用here中的代码来引导95％CI。但是，我需要仅计算中值深度（2.5）的95％CI。有没有办法在confint()代码中指定，以便我可以计算出可视化引导结果所需的CI，如上图所示？

confint(full_mod3,method="boot",nsim=200,boot.type="perc")

Answer 1

您可以通过指定自定义功能来执行此操作：

library(lme4)
?confint.merMod

  

FUN：引导功能;如果为“NULL”，则将使用返回固定效应参数的内部函数以及标准偏差/相关比例上的随机效应参数。有关详细信息，请参阅“bootMer”。

因此FUN可以是预测函数（?predict.merMod），它使用newdata参数来改变并修复相应的预测变量。

内置数据的一个例子（不像你那样有趣，因为那里有一个连续的预测变量，但我认为应该清楚地说明这个方法）：

fm1 <- lmer(Reaction ~ Days + (Days | Subject), sleepstudy)
pframe <- data.frame(Days=seq(0,20,by=0.5))
## predicted values at population level (re.form=NA)
pfun <- function(fit) {
    predict(fit,newdata=pframe,re.form=NA)
}
set.seed(101)
cc <- confint(fm1,method="boot",FUN=pfun)

照片：

par(las=1,bty="l")
matplot(pframe$Days,cc,lty=2,col=1,type="l",
     xlab="Days",ylab="Reaction")