如何使用预测 function 为 glmmTMB 拟合置信区间

Question

我正在运行混合 model 使用 package glmmTMB 并使用预测 function 使用以下代码计算预测均值：

运行 model

model_1 <- glmmTMB(Step.rate ~ Treatment*Week + 
    (1|Treatment.Group/Lamb.ID) +  (1|Plot),
     data = data.df, family = nbinom1) 

新建 dataframe

new.dat <- data.frame(Treatment = data.df$Treatment,
                      Week = data.df$Week, Plot = data.df$Plot, 
                      Treatment.Group = data.df$Treatment.Group,
                      Lamb.ID = data.df$Lamb.ID) 

预测平均值

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

此代码工作正常，但是当我添加 interval = "confidence" 来计算置信区间时，它似乎不起作用。 R 忽略了代码的最后一部分，只计算预测的均值。

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

为什么间隔=“信心”不起作用？ 这可能是与 package glmmTMB 相关的问题吗？

Answer 1

您可以使用参数se.fit = TRUE来获取预测值的标准误差，然后使用这些来计算置信区间。

https://www.rdocumentation.org/packages/glmmTMB/versions/1.0.2.1/topics/predict.glmmTMB

Answer 2

我认为另一个答案为您提供了使用se.fit参数为 glmmTMB 对象获取 CI 的解决方法。 但是对于不同的 object 类型（由对象的class定义）具有特定版本的函数的问题在过去让我感到有些悲伤，所以它可能值得在这里扩展。

无需过多详细说明，R 中许多 object 类型中常见的函数具有通用版本。 例如，如果您查看?predict的文档，您将看到 function 通用版本的帮助页面。 There you will see a few general statements about how the function normally works but little to no explanation of specific arguments since the arguments available depend on the type of object you are working with. 通用predict()帮助页面的描述：

predict 是一个通用的 function 用于从各种 model 拟合函数的结果进行预测。 function 调用依赖于第一个参数的 class 的特定方法。

特定的 model 拟合函数可以具有特定版本的predict()与生成的 model object 一起使用。 例如，对于适合lm()的模型，有一个特定的predict() ) 。 从lm()返回的对象是 class lm 。 您可以在?predict.lm predict.lm 查看 lm 对象的 function 版本的文档。 正是这个 function 包含用于计算置信区间和预测区间的intervals参数。 虽然我们中的许多人从 lm 对象开始学习intervals ，但事实证明许多（大多数？）其他predict()函数没有这个选项。

The key for getting to the help page for the specific predict() function you are using is to know the class of the object returned by the model fitting function you are using. 例如，适合glmmTMB()的模型是 class glmmTMB所以你可以 go 到?predict.glmmTMB predict.glmmTMB 。 适合lme4::lmer()的模型属于 class merMod ，因此您可以将 go 转换为?predict.merMod. 如果您不知道 class 模型拟合 function 返回，看起来您通常可以在“值”部分下的文档中找到信息。 至少对于lm()和lmer()是这样。

Finally, if you need to know if a certain class of object has a specific version of a generic function associated with it, you can look at the methods available for that class with the methods() function. lm 示例：

methods(class = "lm")
 [1] add1           alias          anova          case.names     coerce        
 [6] confint        cooks.distance deviance       dfbeta         dfbetas       
[11] drop1          dummy.coef     effects        extractAIC     family        
[16] formula        hatvalues      influence      initialize     kappa         
[21] labels         logLik         model.frame    model.matrix   nobs          
[26] plot           predict        print          proj           qqnorm        
[31] qr             residuals      rstandard      rstudent       show          
[36] simulate       slotsFromS3    summary        variable.names vcov      

Answer 3

有一些包可以为您工作，例如emmeans或ggeffects ，或效果package （可能还有更多包）：

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

emmeans(m, c("spp", "mined"), type = "response")
#>  spp   mined response     SE  df lower.CL upper.CL
#>  GP    yes     0.0368 0.0373 627  0.00504    0.269
#>  PR    yes     0.1099 0.0661 627  0.03368    0.358
#>  DM    yes     0.3842 0.1397 627  0.18808    0.785
#>  EC-A  yes     0.1099 0.0660 627  0.03377    0.357
#>  EC-L  yes     0.3238 0.1222 627  0.15437    0.679
#>  DES-L yes     0.4910 0.1641 627  0.25468    0.947
#>  DF    yes     0.5561 0.1764 627  0.29822    1.037
#>  GP    no      2.2686 0.4577 627  1.52646    3.372
#>  PR    no      0.4582 0.1515 627  0.23940    0.877
#>  DM    no      2.4201 0.4835 627  1.63472    3.583
#>  EC-A  no      0.8931 0.2373 627  0.53005    1.505
#>  EC-L  no      3.2017 0.6084 627  2.20451    4.650
#>  DES-L no      3.4921 0.6517 627  2.42061    5.038
#>  DF    no      1.8495 0.3948 627  1.21623    2.813
#> 
#> Confidence level used: 0.95 
#> Intervals are back-transformed from the log scale
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).

^{由reprex package (v0.3.0) 于 2020 年 9 月 14 日创建}