Question

之前曾有人问过这个问题的各种变化（例如Is there a way of getting "marginal effects" from a `glmer` object），其中大多数建议使用ggeffects（或sjPlot）。但是，我们学院的统计学家在与ggeffects的输出达成一致时遇到了一些麻烦。

我对统计和R都是陌生的（所以我可能不应该使用glmer ...），并且在理解我做错的事情时遇到了一些麻烦。

我的模型最简单的形式是lme4：结果（二进制）〜FE（二进制）+（1 | RE）。固定效应是对我的随机效应中的部分但不是所有个体执行的测试。

模型输出

Intercept: 1.2654

FE_2: -0.2305

RE Std. Dev.: 2.896

ggpredict：

ggpredict(model, type = "fe", terms = "FE")

1: 0.780

2: 0.738

现在，据我所知，我可以在测试2的概率中获得边际效应，如下所示：

y <- 1.2654 - 0.2305
prob <- exp(y) / (1 + exp(y))

与ggpredict的输出完全相同：0.738。

但是，他是说这是每个人的条件概率，我需要“插入一些我不了解的东西”才能获得可以推广到总体的概率。他的快速解决方案示例：

y <- 1.2654 - 0.2305 + rnorm(100000000) * 2.896 
prob_trus <- exp(y) / (1 + exp(y))
mean(prob_trus)
0.62

使用具有与以前的ggpredict相同的参数的ggaverage几乎可以得到0.639的相同概率。所以，最后我的问题是：

总平均值与他的解法是否相同，只是存在一些模拟差异和/或舍入误差？
如果他的方法可行，我如何从ggeffects获得相同的结果？

Answer 1

ggaverage()与“我不了解的东西”方法不同，相似的结果是偶然的。您可以阅读有关ggpredict()和ggaverage() here in the vignette之间的区别的一些信息。

我不会说应将随机效应方差（您的同事也希望以预测为条件）添加到预测值中以计算预测概率。相反，这种不确定性应在预测的标准误差中进行解释（并因此在得出的置信区间内进行解释）。

将ggpredict(model, type = "fe", terms = "FE")与ggpredict(model, type = "re", terms = "FE")进行比较时，您会看到差异。请注意，更改后的type = "re"现在考虑了随机效应，从而导致不同的预测值和更大的置信区间。

以下是该示例的示例数据包：

data(efc_test)

fit <- glmer(
  negc7d ~ c12hour + e42dep + c161sex + c172code + (1 | grp),
    data = efc_test,
    family = binomial(link = "logit")
  )

ggpredict(fit, "c12hour", type = "fe")

#> # Predicted probabilities for Negative impact with 7 items 
#> # x = average number of hours of care per week 
#> 
#>   x predicted conf.low conf.high
#>   0     0.342    0.249     0.449
#>   5     0.344    0.251     0.450
#>  10     0.346    0.254     0.452
#>  15     0.348    0.256     0.453
#>  20     0.350    0.258     0.455
#>  25     0.352    0.260     0.456
#>  30     0.354    0.261     0.458
#>  35     0.356    0.263     0.460
#>  40     0.357    0.265     0.463
#>  45     0.359    0.266     0.465
#>  ... and 25 more rows.
#> 
#> Adjusted for:
#> *   e42dep = 2.92
#> *  c161sex = 1.76
#> * c172code = 1.97

ggpredict(fit, "c12hour", type = "re")

#> # Predicted probabilities for Negative impact with 7 items 
#> # x = average number of hours of care per week 
#> 
#>   x predicted conf.low conf.high
#>   0     0.472    0.107     0.870
#>   5     0.475    0.108     0.871
#>  10     0.477    0.109     0.872
#>  15     0.479    0.110     0.873
#>  20     0.481    0.111     0.873
#>  25     0.483    0.111     0.874
#>  30     0.485    0.112     0.875
#>  35     0.487    0.113     0.876
#>  40     0.489    0.114     0.877
#>  45     0.491    0.115     0.878
#>  ... and 25 more rows.
#> 
#> Adjusted for:
#> *   e42dep = 2.92
#> *  c161sex = 1.76
#> * c172code = 1.97

Answer 2

实际上，您通常从具有非线性链接函数的混合模型（例如，混合效应逻辑回归）中获得的系数具有以随机效应为条件的解释。

Hedeker et al. (2018)最近提出了一种利用边际/人口解释获得回归系数的新思路。这是在R包GLMMadaptive的函数marginal_coefs()中实现的，该函数使用自适应高斯正交拟合混合模型。混合效应逻辑回归的一般示例是：

library("GLMMadaptive")
fm <- mixed_model(fixed = y ~ x1 + x2 + x3, random = ~ x1 | id, data = DF, family = binomial())

marginal_coefs(fm)
marginal_coefs(fm, std_errors = TRUE)

有关其他示例（例如，如何获取边际预测或生成效果图），请检查插图：https://drizopoulos.github.io/GLMMadaptive/articles/Methods_MixMod.html

glmer的边际效应

模型输出

ggpredict：

2 个答案: