时间戳

首页 > 解决方案 > 为什么 effect() 和 predict() 会产生不同的模型预测？

r - 为什么 effect() 和 predict() 会产生不同的模型预测？

问题描述

这篇文章的数据可在此处获得，R 脚本和数据可在此处获得（R 脚本也在下面的帖子中）。提前感谢您的帮助。

我在glmmTMB. 我最好的两个模型如下。

igm_20 <- glmmTMB(igm_pres ~  fRHDV2_arrive_cat + fseason + sage + save_ajust_abun + fseason*fRHDV2_arrive_cat + (1 | fsite), data = edit_pp_dat, family = binomial)

igm_21 <- glmmTMB(igm_pres ~  fRHDV2_arrive_cat + fseason + sage + save_ajust_abun + fseason*fRHDV2_arrive_cat + sage*fRHDV2_arrive_cat + (1 | fsite), data = edit_pp_dat, family = binomial)

我对交互特别感兴趣fseason*fRHDV2_arrive_cat，因此在构建模型后，我创建了effect()显示这种交互对我在两个模型中的结果变量的影响的图。

ef_1 <- effect(term = "fRHDV2_arrive_cat*fseason", mod = igm_20)
windows();plot(ef_1, xlab = "Season", ylab = "Predicted probability of IgM antibody presence", main = "", factor.names = FALSE)

ef_2 <- effect(term = "fRHDV2_arrive_cat*fseason", mod = igm_21)
windows();plot(ef_2, xlab = "Season", ylab = "Predicted probability of IgM antibody presence", main = "", factor.names = FALSE)

效果图 1 效果图 2 （很抱歉提供图的链接，我没有足够的声誉来发布实际的图）

从效果图中可以看出，交互的影响fseason*fRHDV2_arrive_cat在两个模型中非常相似，这并不奇怪。然后我将这两个模型平均如下：

mod_ave_list_1 <- list(igm_20, igm_21)
mod_ave_1 <- model.avg(mod_ave_list_1, rank = AICc)
summary(mod_ave_1)

根据模型的平均结果，我尝试创建与effect()上述类似的图。但是，由于该effect()函数不适用于平均模型，并且模型没有实现产生总体平均模型预测的re.form = NA能力，因此我首先必须在另一个包中重新创建和重新平均我的两个模型，如下所示：predict()glmmTMB

predict_1 <- glmer(igm_pres ~  fRHDV2_arrive_cat + fseason + sage + save_ajust_abun + fseason*fRHDV2_arrive_cat + (1 | fsite), data = edit_pp_dat, family = binomial)

predict_2 <- glmer(igm_pres ~  fRHDV2_arrive_cat + fseason + sage + save_ajust_abun + fseason*fRHDV2_arrive_cat + sage*fRHDV2_arrive_cat + (1 | fsite), data = edit_pp_dat, family = binomial)

predict_list_1 <- list(predict_1, predict_2)
ave_predict <- model.avg(predict_list_1, rank = AICc)

然后，我创建了一个newdata框架，我从中制作并绘制了模型预测，作为生成与effect()上述类似的图的一种手段。在进行模型预测时，我使用了数值预测变量的平均值，因为这是另一篇文章建议在调用effect(). 我包含re.form = NA在predict()函数中，以便我得到人口平均预测，因为我的模型包含随机效应。

a <- as.data.frame(c("Summer", "Autumn", "Winter", "Spring", "Summer", "Autumn", "Winter", "Spring"))
a$fRHDV2_arrive_cat <- c("Pre-RHDV2 arrival", "Pre-RHDV2 arrival", "Pre-RHDV2 arrival", "Pre-RHDV2 arrival", "Post-RHDV2 arrival", "Post-RHDV2 arrival", "Post-RHDV2 arrival", "Post-RHDV2 arrival")
mean(edit_pp_dat$sage, na.rm = TRUE) #4.659477e-17
mean(edit_pp_dat$save_ajust_abun, na.rm = TRUE) #-3.004684e-17
a$sage <- c(4.659477e-17, 4.659477e-17, 4.659477e-17, 4.659477e-17, 4.659477e-17, 4.659477e-17, 4.659477e-17, 4.659477e-17)
a$save_ajust_abun <- c(-3.004684e-17, -3.004684e-17, -3.004684e-17, -3.004684e-17, -3.004684e-17, -3.004684e-17, -3.004684e-17, -3.004684e-17)
a$fsite <- c(NA, NA, NA, NA, NA, NA, NA, NA)
colnames(a) <- c("fseason", "fRHDV2_arrive_cat", "sage", "save_ajust_abun", "fsite")

predict.values <- predict(ave_predict, backtransform = TRUE, newdata = a, se.fit = TRUE, re.form = NA)

a$estimates <- predict.values$fit
a$se <- predict.values$se.fit
a$lci <- a$estimates - 1.96*a$se
a$uci <- a$estimates + 1.96*a$se
a$fseason <- factor(a$fseason, levels = c("Summer", "Autumn", "Winter", "Spring"))
a$fRHDV2_arrive_cat <- factor(a$fRHDV2_arrive_cat, levels = c("Pre-RHDV2 arrival", "Post-RHDV2 arrival"))

ggplot(a, aes(x = fseason, y = estimates, colour = fRHDV2_arrive_cat, group = fRHDV2_arrive_cat)) + geom_line(size = 1) + geom_point(size = 3) + geom_errorbar(aes(ymin = lci, ymax = uci), width = .2) + labs(x = "Season", y = "Predicted probability of IgM seropositivity", colour = "RHDV2 arrival category") + scale_color_manual(labels = c("Pre-arrival", "Post-arrival"), values = c("red", "blue")) + theme(axis.title.x = element_text(face = "bold", size = 16), axis.title.y = element_text(face = "bold", size = 16), axis.text.x = element_text(size = 14), axis.text.y = element_text(size = 14), legend.title = element_text(face = "bold", size = 14), legend.text = element_text(size = 12))

模型平均预测图

为什么最后一个情节与effect()上面制作的两个情节如此不同？我期待它们非常相似。例如，在这两个effect()图中，在 RHDV2 到来后的夏季和冬季，igm 抗体存在的预测概率要低得多，但是在最后一个图中predict()，使用平均模型，igm 抗体存在的预测概率在RHDV2 到达后的夏季和冬季 RHDV2 到达前和到达后的类似情况。

我注意到这里有一个类似的帖子，但这并没有帮助我解决我的问题。

标签： rpredictmixed-models

解决方案

对于那些可能感兴趣的人，我想出了如何解决我的问题。edit_pp_dat$sage和edit_pp_dat$save_ajust_abun是标准化变量，因此它们的平均值为 0。因此，a$sage应该a$save_ajust_abun如下所示：

a$sage <- c(0, 0, 0, 0, 0, 0, 0, 0)
a$save_ajust_abun <- c(0, 0, 0, 0, 0, 0, 0, 0)

我在计算机上也遇到了困难，因为edit_pp_dat$sage它是一个矩阵，根据提供给模型的数据是在矩阵还是数据框中edit_pp_dat$save_ajust_abun，它的操作似乎有所不同。predict()

我不确定为什么mean(edit_pp_dat$sage, na.rm = TRUE)，mean(edit_pp_dat$save_ajust_abun, na.rm = TRUE)也不给 0。

推荐阅读