可视化混合模型结果

我对混合模型经常遇到的问题之一是弄清楚数据可视化效果-可能会出现在纸或海报上的数据可视化效果-一旦获得结果即可。

现在，我正在研究一个Poisson混合效果模型，其公式如下所示：

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

有了glm（）中所装的东西，就可以轻松地使用predict（）来获取新数据集的预测，并以此为基础进行构建。但是，使用这样的输出-您如何构建从X偏移（可能设置为Y）随时间变化的速率图？我认为仅凭固定效果估算值就可以很好地预测拟合度，但是95％CI呢？

还有其他人能想到的有助于可视化结果的东西吗？该模型的结果如下：

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

— 方铁
source

（+1）@EpiGrad：为什么您担心模型的固定效应部分的预测的CI（即标准误差）？

— boscovich 2012年

@andrea一个明智的答案，一个实际的答案：从智力上来说，我通常会尽可能地量化和可视化不确定性。实际上，因为我敢肯定评论者会要求它。

— Fomite

是的，是的，但是我的意思有所不同。对不起，我的评论不够清楚。您在问题中写道“但是95％CI呢？”。我的评论是：为什么不从模型的固定效应部分计算预测的标准误差？如果您能够从固定效应部分计算预测值，那么您也可以计算SE以及CI。@EpiGrad

— boscovich 2012年

@andrea啊。令人担心的是，我想预测的事情之一，时间也具有随机效应，我不知道该如何处理。

— Fomite

好吧，您想要预测counts，而不是time。您可以固定的值X，Y然后time使用您预测的模型的固定效应部分counts。的确，它time也作为随机效应包含在模型中（就像intercept和一样Y），但是在这里没关系，因为仅将模型的固定效应部分用于预测就像将随机效应设为0 @EpiGrad

— boscovich 2012年

counts使用模型的固定效应部分进行预测意味着您将随机效应设置为零（即它们的均值）。这意味着您可以“忘记”它们，并使用标准设备来计算预测值和预测值的标准误差（通过它们可以计算置信区间）。

这是一个使用Stata的示例，但是我想可以很容易地将其“翻译”为R语言：

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")

该图是引用的，仅供参考treat == 0（visit不是真正的连续变量，而只是为了理解这个想法）。虚线是95％置信区间。

在此处输入图片说明

— 博斯科维奇
source