Question

library(lme4)

fm1 <- lmer(Reaction ~ Days + (Days|Subject), data = sleepstudy)

要生成95％的CI，我可以使用软件包predictInterval()中的merTools函数。

library(merTools)
head(predictInterval(fm1, level = 0.95, seed = 123, n.sims = 100))
# fit      upr      lwr
# 1 255.4179 313.8781 184.1400
# 2 273.2944 333.2005 231.3584
# 3 291.8451 342.8701 240.8226
# 4 311.3562 359.2908 250.4980
# 5 330.3671 384.2520 270.7094
# 6 353.4378 409.9307 289.4760

在文档中，它说明了predictInterval()函数

此功能提供了一种在多层模型预测中捕获模型不确定性的方法适合lme4。通过绘制随机和固定效果的采样分布，然后估算该分布上的拟合值，可以为拟合值，其中包括模型中的所有变化（协方差参数的变化除外）， θ。对于适合大中型数据集的模型，这比引导引导要快得多。

我的目标是获取所有拟合值，而不是上下CI，即对于每一行，我需要原始n个模拟，可以从中计算这95％的CI。我检查了文档中的参数，遵循此：

head(predictInterval(fm1, n.sims = 100, returnSims = TRUE, seed = 123, level = 0.95))
# fit      upr      lwr
# 1 255.4179 313.8781 184.1400
# 2 273.2944 333.2005 231.3584
# 3 291.8451 342.8701 240.8226
# 4 311.3562 359.2908 250.4980
# 5 330.3671 384.2520 270.7094
# 6 353.4378 409.9307 289.4760

它并没有得到100个模拟，而是给了我相同的输出。我在这里做错什么了？

第二个问题虽然我相信这更多是一个StatsExchange问题。

”通过绘制随机和固定样本分布效果，然后。”`

如果有人可以解释我的话，它将如何绘制抽样分布？

Answer 1

如果在predictInterval()函数中指定newdata，则可以得到模拟值。

predInt <- predictInterval(fm1, newdata = sleepstudy, n.sims = 100,
           returnSims = TRUE, seed = 123, level = 0.95)

simValues <- attr(predInt, "sim.results")

有关如何创建参数采样分布的详细信息，请参见帮助页面的“详细信息”部分。您可以通过以下方式获得拟合，上下边界的估计值：

fit <- apply(simValues, 1, function(x){quantile(x, probs=0.500) } )
lwr <- apply(simValues, 1, function(x){quantile(x, probs=0.025) } )
upr <- apply(simValues, 1, function(x){quantile(x, probs=0.975) } )

混合效应模型中的置信区间

1 个答案: