Как рассчитать прогнозируемые средние для конкретных фиксированных эффектов на основе выходных данных модели с помощью glmmTMB

Question

Я запускаю glmm, используя glmmTMB и использую pred () для вычисления прогнозируемых средних значений. Я хочу знать, можно ли рассчитать прогнозируемые средние на основе конкретных фиксированных эффектов модели.

запустить модель

model_1 <- glmmTMB(step.rate ~ Treatment*Week + Logger.ID + (1|Animal.ID), 
           data = data.df, family = nbinom1)

В настоящее время я использую следующий код для вычисления прогнозируемых средних значений для всех фиксированных эффектов:

новые данные

new.dat <- data.frame(Treatment = data.df$Treatment, Week = data.df$Week, Logger.ID = 
           data.df$Logger.ID, Animal.ID = data.df$Animal.ID) 

предсказанные средства

new.dat$predicted <- predict(model_1, new.data = new.dat, type = "response", re.form = NA)

Я не хочу, чтобы Logger.ID включался при вычислении прогнозируемых средних значений, и хочу знать, можно ли игнорировать Logger.ID и как это сделать.

Answer 1

Вы не можете "удалить" предсказатель из предсказанных средних (когда вы используете predict()), потому что это вернет только NAзначения. Таким образом, я бы порекомендовал то же самое, что и Аллен, и использовал разумное / значимое значение, при котором вы придерживаетесь Logger.IDпостоянный. Вот пример из пакета ggeffects:

       library(ggeffects)
library(glmmTMB)
data("Salamanders")
m <- glmmTMB(count ~ spp * mined + sample + (1 | site), family = nbinom1, data = Salamanders)

# hold "sample" constant at its mean value
ggpredict(m, c("spp", "mined"))
#> 
#> # Predicted counts of count
#> # x = spp
#> 
#> # mined = yes
#> 
#> x    | Predicted |   SE |       95% CI
#> --------------------------------------
#> GP   |      0.04 | 1.01 | [0.01, 0.27]
#> PR   |      0.11 | 0.60 | [0.03, 0.36]
#> DM   |      0.38 | 0.36 | [0.19, 0.78]
#> EC-A |      0.11 | 0.60 | [0.03, 0.36]
#> EC-L |      0.32 | 0.38 | [0.15, 0.68]
#> DF   |      0.56 | 0.32 | [0.30, 1.04]
#> 
#> # mined = no
#> 
#> x    | Predicted |   SE |       95% CI
#> --------------------------------------
#> GP   |      2.27 | 0.20 | [1.53, 3.37]
#> PR   |      0.46 | 0.33 | [0.24, 0.88]
#> DM   |      2.42 | 0.20 | [1.64, 3.58]
#> EC-A |      0.89 | 0.27 | [0.53, 1.50]
#> EC-L |      3.20 | 0.19 | [2.21, 4.65]
#> DF   |      1.85 | 0.21 | [1.22, 2.81]
#> 
#> Adjusted for:
#> * sample = 2.50
#> *   site = NA (population-level)
#> Standard errors are on the link-scale (untransformed).

# predicted means when sample is set to "0"
ggpredict(m, c("spp", "mined"), condition = list(sample = 0))
#> 
#> # Predicted counts of count
#> # x = spp
#> 
#> # mined = yes
#> 
#> x    | Predicted |   SE |       95% CI
#> --------------------------------------
#> GP   |      0.04 | 1.02 | [0.00, 0.27]
#> PR   |      0.11 | 0.62 | [0.03, 0.36]
#> DM   |      0.38 | 0.38 | [0.18, 0.80]
#> EC-A |      0.11 | 0.61 | [0.03, 0.36]
#> EC-L |      0.32 | 0.40 | [0.15, 0.69]
#> DF   |      0.54 | 0.34 | [0.28, 1.06]
#> 
#> # mined = no
#> 
#> x    | Predicted |   SE |       95% CI
#> --------------------------------------
#> GP   |      2.22 | 0.24 | [1.40, 3.52]
#> PR   |      0.45 | 0.36 | [0.22, 0.90]
#> DM   |      2.37 | 0.24 | [1.49, 3.78]
#> EC-A |      0.87 | 0.30 | [0.49, 1.58]
#> EC-L |      3.14 | 0.22 | [2.04, 4.81]
#> DF   |      1.81 | 0.25 | [1.11, 2.95]
#> 
#> Adjusted for:
#> * site = NA (population-level)
#> Standard errors are on the link-scale (untransformed).

^{Создано 14 сентября 2020 г. пакетом REPEX (v0.3.0)}