EffectsПакет забезпечує дуже швидкий і зручний спосіб для побудови результатів лінійних моделей змішаного ефекту, отриманих через lme4пакет . У effectфункції обчислює довірчі інтервали (ДІ) дуже швидко, але , як заслуговують на довіру цих довірчі інтервали?
Наприклад:
library(lme4)
library(effects)
library(ggplot)
data(Pastes)
fm1 <- lmer(strength ~ batch + (1 | cask), Pastes)
effs <- as.data.frame(effect(c("batch"), fm1))
ggplot(effs, aes(x = batch, y = fit, ymin = lower, ymax = upper)) +
geom_rect(xmax = Inf, xmin = -Inf, ymin = effs[effs$batch == "A", "lower"],
ymax = effs[effs$batch == "A", "upper"], alpha = 0.5, fill = "grey") +
geom_errorbar(width = 0.2) + geom_point() + theme_bw()
Відповідно до CI, обчислених за допомогою effectsпакету, партія "E" не перетинається з партією "A".
Якщо я спробую те ж саме, використовуючи confint.merModфункцію та метод за замовчуванням:
a <- fixef(fm1)
b <- confint(fm1)
# Computing profile confidence intervals ...
# There were 26 warnings (use warnings() to see them)
b <- data.frame(b)
b <- b[-1:-2,]
b1 <- b[[1]]
b2 <- b[[2]]
dt <- data.frame(fit = c(a[1], a[1] + a[2:length(a)]),
lower = c(b1[1], b1[1] + b1[2:length(b1)]),
upper = c(b2[1], b2[1] + b2[2:length(b2)]) )
dt$batch <- LETTERS[1:nrow(dt)]
ggplot(dt, aes(x = batch, y = fit, ymin = lower, ymax = upper)) +
geom_rect(xmax = Inf, xmin = -Inf, ymin = dt[dt$batch == "A", "lower"],
ymax = dt[dt$batch == "A", "upper"], alpha = 0.5, fill = "grey") +
geom_errorbar(width = 0.2) + geom_point() + theme_bw()
Я бачу, що всі КІ перекриваються. Я також отримую попередження, що вказують на те, що функція не змогла обчислити надійні CI. Цей приклад, і мій фактичний набір даних, змушує мене підозрювати, що effectsпакет має ярлики в обчисленні ІС, які можуть бути не повністю затверджені статистиками. Наскільки надійні КІ повертаються за effectфункцією з effectsпакету для lmerоб'єктів?
Що я спробував: Заглянувши у вихідний код, я помітив, що effectфункція покладається на Effect.merModфункцію, яка в свою чергу спрямовує на Effect.merфункцію, яка виглядає приблизно так:
effects:::Effect.mer
function (focal.predictors, mod, ...)
{
result <- Effect(focal.predictors, mer.to.glm(mod), ...)
result$formula <- as.formula(formula(mod))
result
}
<environment: namespace:effects>
mer.to.glmфункція, здається, обчислює Variance-Covariate Matrix з lmerоб'єкта:
effects:::mer.to.glm
function (mod)
{
...
mod2$vcov <- as.matrix(vcov(mod))
...
mod2
}
Це, у свою чергу, ймовірно, використовується у Effect.defaultфункції для обчислення ІС (я, можливо, неправильно зрозумів цю частину):
effects:::Effect.default
...
z <- qnorm(1 - (1 - confidence.level)/2)
V <- vcov.(mod)
eff.vcov <- mod.matrix %*% V %*% t(mod.matrix)
rownames(eff.vcov) <- colnames(eff.vcov) <- NULL
var <- diag(eff.vcov)
result$vcov <- eff.vcov
result$se <- sqrt(var)
result$lower <- effect - z * result$se
result$upper <- effect + z * result$se
...
Я не знаю достатньо про LMM, щоб оцінити, чи це правильний підхід, але, враховуючи обговорення навколо розрахунку інтервалу довіри для LMM, такий підхід видається підозріло простим.
