Jednym z problemów, które zawsze miałem z modelami mieszanymi, jest wymyślanie wizualizacji danych - takich, które mogłyby skończyć się na papierze lub plakacie - gdy tylko uzyska się wyniki.
Obecnie pracuję nad modelem efektów mieszanych Poissona z formułą, która wygląda mniej więcej tak:
a <- glmer(counts ~ X + Y + Time + (Y + Time | Site) + offset(log(people))
Z czymś dopasowanym w glm () można łatwo użyć predykcji (), aby uzyskać prognozy dla nowego zestawu danych i zbudować coś z tego. Ale przy takim wyniku - jak skonstruowałbyś coś w rodzaju wykresu prędkości w czasie z przesunięciami z X (i prawdopodobnie z ustaloną wartością Y)? Myślę, że można dobrze przewidzieć dopasowanie tylko na podstawie oszacowań efektów stałych, ale co z 95% CI?
Czy jest coś jeszcze, co ktoś może wymyślić, aby pomóc w wizualizacji wyników? Wyniki modelu są poniżej:
Random effects:
Groups Name Variance Std.Dev. Corr
Site (Intercept) 5.3678e-01 0.7326513
time 2.4173e-05 0.0049167 0.250
Y 4.9378e-05 0.0070270 -0.911 0.172
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -8.1679391 0.1479849 -55.19 < 2e-16
X 0.4130639 0.1013899 4.07 4.62e-05
time 0.0009053 0.0012980 0.70 0.486
Y 0.0187977 0.0023531 7.99 1.37e-15
Correlation of Fixed Effects:
(Intr) Y time
X -0.178
time 0.387 -0.305
Y -0.589 0.009 0.085
źródło
counts
, nietime
. Naprawić wartościX
,Y
atime
i stosując stałe-efektów część modelu przewidziećcounts
. To prawda, żetime
jest uwzględniony w twoim modelu również jako efekt losowy (podobnie jak punkt przechwytywania iY
), ale nie ma to tutaj znaczenia, ponieważ użycie tylko części modelu z efektem stałym do prognozowania jest jak ustawienie efektów losowych na 0 @EpiGradOdpowiedzi:
Prognozowanie
counts
przy użyciu części modelu z efektami stałymi oznacza, że ustawiłeś zero (tj. Ich średnią) efektów losowych. Oznacza to, że można „zapomnieć” o nich i użyć standardowych maszyn do obliczenia prognoz i standardowych błędów prognoz (za pomocą których można obliczyć przedziały ufności).To jest przykład użycia Staty, ale przypuszczam, że można ją łatwo „przetłumaczyć” na język R:
Wykres odnosi się
treat == 0
i ma być przykładem (visit
nie jest to naprawdę zmienna ciągła, ale tylko po to, aby uzyskać pomysł). Linie przerywane to 95% przedziały ufności.źródło