Karışık model sonuçlarını görselleştirme

Karışık modellerde her zaman yaşadığım sorunlardan biri, sonuçlara ulaştığında, bir kağıt veya posterle sonuçlanabilecek veri görselleştirmelerini bulmaktır.

Şu anda, aşağıdaki gibi görünen bir formülle Poisson karışık efektler modeli üzerinde çalışıyorum:

a <- glmer(counts ~ X + Y + Time + (Y + Time | Site) + offset(log(people))

Glm () ile donatılmış bir şeyle, yeni bir veri kümesi için tahminler almak ve bundan bir şeyler oluşturmak için tahmin () kolayca kullanılabilir. Ancak bu şekilde çıktı ile - X'ten (ve muhtemelen Y değerinin ayarlanmış bir değeriyle) kaymalarla zaman içinde oranın bir grafiği gibi bir şey nasıl inşa edersiniz? Bence sadece Sabit etki tahminlerinden uygunluk tahmin edilebilir, ama% 95 CI ne olacak?

Sonuçların görselleştirilmesine yardımcı olabilecek birinin düşünebileceği başka bir şey var mı? Modelin sonuçları aşağıdadır:

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

r data-visualization mixed-model

— fomite
kaynak

(+1) @EpiGrad: Modelinizin sabit etkili kısmından gelen tahminlerin CI'sinden (yani standart hata hakkında) neden endişelisiniz?

— boscovich

@andrea Entelektüel bir cevap ve pratik bir cevap: Entelektüel olarak, genel olarak belirsizliği mümkün olduğunca ölçmeyi ve görselleştirmeyi tercih ederim. Pratik olarak, çünkü bir gözden geçirenin bunu isteyeceğinden eminim.

— Fomite

Evet, tabii, ama farklı bir şey demek istedim. Yorumum yeterince açık değildi, üzgünüm. Sorunuza "Peki ya% 95 CI?" Benim yorumum: modelin sabit etkili kısmından tahminin standart hatasını neden hesaplamıyorsunuz? Sabit etkili parçadan öngörülen değerleri hesaplayabiliyorsanız, SE'yi ve dolayısıyla CI'yi de hesaplayabilirsiniz. @EpiGrad

— boscovich

@andrea Ah. Endişe, tahmin etmek istediğim şeylerden birinin, zamanın, ne yapacağımı bilmediğim rastgele bir etkisi olması.

— Fomite

Tahmin etmek istiyorsun counts, değil time. Sen değerlerini düzeltmek X, Yve timeve tahmin modelinizin sabit etkileri bölümünü kullanarak counts. timeModelinize rastgele bir efekt olarak dahil olduğu doğrudur (tıpkı kesişme veY ), ancak burada önemli değildir, çünkü modelinizin tahmin için sadece sabit efektli kısmını kullanmak rastgele efektleri 0'a ayarlamak gibidir. @EpiGrad

— boscovich

countsModelinizin sabit efektler bölümünü kullanarak tahmin etmek, rastgele efektleri sıfıra (yani ortalamalarını) ayarladığınız anlamına gelir. Bu, onları "unutabileceğiniz" ve tahminlerin ve tahminlerin standart hatalarını (güven aralıklarını hesaplayabileceğiniz) hesaplamak için standart makineleri kullanabileceğiniz anlamına gelir.

Bu Stata kullanan bir örnek, ama sanırım kolayca R diline "tercüme edilebilir":

webuse epilepsy, clear
xtmepoisson seizures treat visit || subject: visit
predict log_seiz, xb
gen pred_seiz = exp(log_seiz)
predict std_log_seiz, stdp
gen ub = exp(log_seiz+invnorm(.975)*std_log_seiz)
gen lb = exp(log_seiz-invnorm(.975)*std_log_seiz)

tw (line pred_seiz ub lb visit if treat == 0, sort lc(black black black) ///
 lp(l - -)), scheme(s1mono) legend(off) ytitle("Predicted Seizures") ///
 xtitle("Visit")

Grafik ifade eder treat == 0ve bir örnek olması amaçlanır ( visitgerçekten sürekli bir değişken değildir, ancak sadece fikri elde etmek için). Kesik çizgiler% 95 güven aralığıdır.

resim açıklamasını buraya girin

— Boscovich
kaynak