การแสดงผลแบบจำลองผสม

หนึ่งในปัญหาที่ฉันมีกับรุ่นที่ผสมกันคือการหาการสร้างภาพข้อมูลในรูปแบบที่สามารถลงเอยด้วยกระดาษหรือโปสเตอร์เมื่อมีผลลัพธ์แล้ว

ตอนนี้ฉันกำลังทำงานกับโมเดลเอฟเฟกต์ผสมปัวซองด้วยสูตรที่มีลักษณะดังนี้:

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

ด้วยบางสิ่งที่ติดตั้งใน glm () เราสามารถใช้การทำนาย () เพื่อรับการทำนายสำหรับชุดข้อมูลใหม่ได้อย่างง่ายดายและสร้างบางสิ่งจากนั้น แต่ด้วยผลลัพธ์เช่นนี้ - คุณจะสร้างบางสิ่งเช่นพล็อตของอัตราเมื่อเวลาผ่านไปด้วยการเลื่อนจาก X (และน่าจะมีค่าที่ตั้งไว้เป็น Y) ได้อย่างไร ฉันคิดว่ามีใครสามารถทำนายขนาดพอดีได้ดีพอจากประมาณการคงที่ผลกระทบ แต่สิ่งที่เกี่ยวกับ 95% CI?

มีใครอีกบ้างที่คิดว่าจะช่วยให้เห็นภาพผลลัพธ์ ผลลัพธ์ของโมเดลอยู่ด้านล่าง:

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
แหล่งที่มา

(+1) @EpiGrad: เพราะเหตุใดคุณจึงกังวลเกี่ยวกับ CI (เช่นเกี่ยวกับข้อผิดพลาดมาตรฐาน) ของการคาดการณ์จากส่วนคงที่ของโมเดลของคุณ

— boscovich

@ andrea คำตอบทางปัญญาและคำตอบที่ใช้งานได้จริง: โดยทั่วไปแล้วฉันมักจะชอบการวัดปริมาณและความไม่แน่นอนในการมองเห็นเมื่อฉันทำได้ ในทางปฏิบัติเพราะฉันค่อนข้างแน่ใจว่าผู้ตรวจสอบจะขอมัน

— Fomite

ใช่แน่นอน แต่ฉันหมายถึงสิ่งที่แตกต่าง ความคิดเห็นของฉันยังไม่ชัดเจนพอขอโทษ คุณเขียนคำถามของคุณ "แต่สิ่งที่เกี่ยวกับ 95% CI" ความคิดเห็นของฉันคือ: ทำไมคุณไม่คำนวณข้อผิดพลาดมาตรฐานของการทำนายจากส่วนคงที่ของโมเดล? หากคุณสามารถคำนวณค่าที่คาดการณ์จากชิ้นส่วนคงที่คุณจะสามารถคำนวณค่า SE ด้วยเช่นกันและ CI @EpiGrad

— boscovich

@ andrea Ah. ข้อกังวลคือสิ่งหนึ่งที่ฉันต้องการทำนายเวลามีเอฟเฟกต์แบบสุ่มซึ่งฉันไม่รู้ว่าจะทำอย่างไร

— Fomite

ดีที่คุณต้องการที่จะทำนายไม่counts timeคุณแก้ไขค่าของX, Yและและการใช้เป็นส่วนหนึ่งของการแก้ไขผลกระทบของรูปแบบที่คุณคาดการณ์time countsเป็นความจริงที่timeรวมอยู่ในแบบจำลองของคุณเช่นเดียวกับเอฟเฟกต์แบบสุ่ม (เช่นเดียวกับการสกัดกั้นและY) แต่มันไม่สำคัญที่นี่เพราะการใช้เฉพาะส่วนที่มีผลกระทบคงที่ของแบบจำลองของคุณสำหรับการทำนายนั้น @EpiGrad

— boscovich

การทำนายcountsโดยใช้ชิ้นส่วนเอฟเฟกต์คงที่หมายความว่าคุณตั้งค่าเป็นศูนย์ (เช่นค่าเฉลี่ย) เอฟเฟกต์แบบสุ่ม ซึ่งหมายความว่าคุณสามารถ "ลืม" เกี่ยวกับพวกเขาและใช้เครื่องจักรมาตรฐานในการคำนวณการทำนายและข้อผิดพลาดมาตรฐานของการทำนาย (ซึ่งคุณสามารถคำนวณช่วงความมั่นใจ)

นี่คือตัวอย่างการใช้ Stata แต่ฉันคิดว่ามันสามารถ "แปล" เป็นภาษา R ได้อย่างง่ายดาย:

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")

กราฟอ้างถึงtreat == 0และตั้งใจจะเป็นตัวอย่าง ( visitไม่ใช่ตัวแปรต่อเนื่องจริง ๆ แต่เป็นเพียงเพื่อให้ได้แนวคิด) เส้นประคือช่วงความมั่นใจ 95%

ป้อนคำอธิบายรูปภาพที่นี่

— Boscovich
แหล่งที่มา