Visualizzazione dei risultati di modelli misti

Uno dei problemi che ho sempre avuto con i modelli misti è capire le visualizzazioni dei dati - del tipo che potrebbe finire su un foglio o un poster - una volta che si ottengono i risultati.

In questo momento, sto lavorando a un modello di effetti misti Poisson con una formula simile al seguente:

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

Con qualcosa inserito in glm () si potrebbe facilmente usare il predict () per ottenere previsioni per un nuovo set di dati, e ricavarne qualcosa. Ma con un output come questo - come costruiresti qualcosa come un grafico della velocità nel tempo con gli spostamenti da X (e probabilmente con un valore impostato di Y)? Penso che si possa prevedere l'adattamento abbastanza bene solo dalle stime degli effetti fissi, ma per quanto riguarda l'IC al 95%?

C'è qualcos'altro che qualcuno può pensare che aiuti a visualizzare i risultati? I risultati del modello sono di seguito:

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
fonte

(+1) @EpiGrad: Perché sei preoccupato per l'IC (cioè per l'errore standard) delle previsioni dalla parte a effetto fisso del tuo modello?

— boscovich,

@andrea Una risposta intellettuale, e una pratica: intellettualmente, in genere preferisco quantificare e visualizzare l'incertezza quando posso. Praticamente, perché sono abbastanza sicuro che un revisore lo chiederà.

— Fomite

Sì sì, certo, ma intendevo qualcosa di diverso. Il mio commento non è stato abbastanza chiaro, scusa. Scrivi nella tua domanda "ma per quanto riguarda il 95% CI?". Il mio commento è: perché non si calcola l'errore standard della previsione dalla parte a effetto fisso del modello? Se sei in grado di calcolare i valori previsti dalla parte ad effetto fisso, allora sei anche in grado di calcolare la SE e, quindi, l'IC. @EpiGrad

— boscovich,

@andrea Ah. La preoccupazione è che una delle cose che mi piacerebbe prevedere, il tempo, ha anche un effetto casuale, di cui non ho idea di cosa fare.

— Fomite

Beh, vuoi prevedere counts, no time. Si fissano i valori di X, Yed timee utilizzando la parte a effetti fissi del modello a prevedere counts. È vero che timeè incluso nel tuo modello anche come effetto casuale (proprio come l'intercetta e Y), ma non importa qui perché usare solo la parte a effetto fisso del tuo modello per la previsione è come impostare gli effetti casuali su 0 @EpiGrad

— boscovich,

predire counts usando la parte di effetti fissi del tuo modello significa che imposti a zero (cioè la loro media) gli effetti casuali. Ciò significa che è possibile "dimenticarsene" e utilizzare macchinari standard per calcolare le previsioni e gli errori standard delle previsioni (con i quali è possibile calcolare gli intervalli di confidenza).

Questo è un esempio usando Stata, ma suppongo che possa essere facilmente "tradotto" in linguaggio 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")

Il grafico si riferisce a treat == 0ed è destinato ad essere un esempio ( visitnon è una variabile davvero continua, ma è solo per avere l'idea). Le linee tratteggiate sono intervalli di confidenza al 95%.

inserisci qui la descrizione dell'immagine

— Boscovich
fonte