Візуалізація змішаних результатів моделі

Однією з проблем, які у мене завжди були зі змішаними моделями, є розбір даних про візуалізацію даних - такого, який міг би опинитися на папері чи плакаті - як тільки вони отримають результати.

Зараз я працюю над моделлю змішаних ефектів Пуассона з формулою, яка виглядає приблизно так:

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

Щось із вмістом у glm (), можна легко використати передбачення (), щоб отримати прогнози для нового набору даних та створити щось із цього. Але при такому виході - як би ви побудували щось на зразок графіку швидкості з часом зі зміщенням від X (і, ймовірно, із заданим значенням Y)? Я думаю, що можна було б досить добре передбачити відповідність лише з оцінок «Фіксованих ефектів», а як щодо 95% ІС?

Чи є ще щось, хто може подумати, що допоможе візуалізувати результати? Результати моделі наведені нижче:

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

— Фоміт
джерело

(+1) @EpiGrad: Чому ви стурбовані CI (тобто стандартною помилкою) прогнозів з частини фіксованого ефекту вашої моделі?

— boscovich

@andrea Інтелектуальна відповідь і практична: Інтелектуально я, як правило, віддаю перевагу кількісній оцінці та візуалізації невизначеності, коли можу. Практично, тому що я впевнений, що рецензент запитає про це.

— Фоміт

Так, так, але я мав на увазі щось інше. Мій коментар був недостатньо чітким, вибачте. Ви пишете у своєму запитанні "а як щодо 95% ІС?". Мій коментар: чому б вам не обчислити стандартну похибку прогнозування з частини фіксованого ефекту моделі? Якщо ви зможете обчислити передбачувані значення з частини фіксованого ефекту, ви також можете обчислити SE і, таким чином, CI. @EpiGrad

— boscovich

@andrea Ah. Турбота полягає в тому, що одна з речей, яку я хотів би передбачити, також має випадковий ефект, і я не знаю, що з цим робити.

— Фоміт

Ну, ви хочете передбачити counts, ні time. Начепить значення X, Yа timeй з використанням фіксованих ефектів частини вашої моделі прогнозування counts. Це правда, що timeвключена у вашу модель також як випадковий ефект (як і перехоплення та Y), але це не має значення, тому що використовувати лише модель з фіксованим ефектом вашої моделі для прогнозування - це як встановити випадкові ефекти на 0 @EpiGrad

— boscovich

Прогнозування countsвикористання частини фіксованих ефектів вашої моделі означає, що ви встановите нуль (тобто їх середнє значення) випадкових ефектів. Це означає, що ви можете «забути» про них і використовувати стандартну техніку для обчислення прогнозів і стандартних помилок прогнозів (за допомогою яких можна обчислити довірчі інтервали).

Це приклад використання Stata, але я вважаю, що його можна легко "перекласти" на мову R:

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")

Графік посилається на, treat == 0і він повинен бути прикладом ( visitце не дійсна неперервна змінна, але це просто для отримання ідеї). Штрихові лінії - 95% довірчих інтервалів.

введіть тут опис зображення

— боскович
джерело