如何在混合效应模型中获得系数及其置信区间？

Question

在lm和glm模型中，我使用函数coef和confint来实现目标：

m = lm(resp ~ 0 + var1 + var1:var2) # var1 categorical, var2 continuous
coef(m)
confint(m)

现在我向模型添加了随机效应 - 使用混合效应模型使用 lme4 包中的lmer函数。 但是，函数coef和confint对我来说不再起作用了！

> mix1 = lmer(resp ~ 0 + var1 + var1:var2 + (1|var3)) 
                                      # var1, var3 categorical, var2 continuous
> coef(mix1)
Error in coef(mix1) : unable to align random and fixed effects
> confint(mix1)
Error: $ operator not defined for this S4 class

我试图用谷歌搜索并使用文档，但没有结果。 请指出正确的方向。

编辑：我也在考虑这个问题是否更适合https://stats.stackexchange.com/但我认为它比统计更技术，所以我得出结论它最适合这里（SO）......你怎么看？

Answer 1

不确定它是什么时候添加的，但现在 confint() 是在 lme4 中实现的。 例如，以下示例有效：

library(lme4)
m = lmer(Reaction ~ Days + (Days | Subject), sleepstudy)
confint(m)

Answer 2

有两个新包lmerTest和lsmeans ，它们可以计算lmer和glmer输出的 95% 置信限度。 也许你可以看看那些？ 和coefplot2 ，我认为也可以做到这一点（尽管正如 Ben 在下面指出的那样，以一种不太复杂的方式，来自 Wald 统计数据的标准错误，而不是lmerTest和lsmeans中使用的 Kenward-Roger 和/或 Satterthwaite df 近似值）...遗憾的是，包lsmeans中仍然没有内置绘图工具（因为包effects()中有，顺便说一下，它还返回lmer和glmer对象的 95% 置信限度，但是通过重新拟合模型来实现，没有任何的随机因素，这显然是不正确的）。

Answer 3

我建议你使用旧的 lme（在包 nlme 中）。 它有confint，如果你需要对比的confint，有一系列的选择（gmodels中estimable，contrasts中contrast，multcomp中glht）。

为什么 lmer 中不存在 p 值和 confint：请参阅http://finzi.psych.upenn.edu/R/Rhelp02a/archive/76742.html 。

Answer 4

假设固定效应的正态近似（confint 也会这样做），我们可以通过以下方式获得 95% 的置信区间

估计 + 1.96* 标准误差。

以下内容不适用于方差分量/随机效应。

library("lme4")
mylm <- lmer(Reaction ~ Days + (Days|Subject),  data =sleepstudy)

# standard error of coefficient

days_se <- sqrt(diag(vcov(mylm)))[2]

# estimated coefficient

days_coef <- fixef(mylm)[2]

upperCI <-  days_coef + 1.96*days_se
lowerCI <-  days_coef  - 1.96*days_se

Answer 5

我要在这里补充一点。 如果m是拟合的(g)lmer模型（其中大部分也适用于lme ）：

• fixef(m)是从混合模型中提取系数的规范方法（该约定从nlme开始并延续到lme4 ）
• 您可以使用coef(summary(m))获得完整的系数表； 如果您在拟合模型之前加载lmerTest ，或在拟合后通过coef(summary(as(m,"merModLmerTest")))转换模型（然后加载lmerTest ），则系数表将包含 p 值。 （系数表是一个矩阵；您可以通过例如ctab[,"Estimate"] , ctab[,"Pr(>|t|)"]提取列，或将矩阵转换为数据框并使用$ -indexing .)
• 如上所述，您可以通过confint(m)获得似然概况置信区间； 这些可能是计算密集型的。 如果您使用confint(m, method="Wald") ，您将获得标准的 +/- 1.96SE 置信区间。 （ lme使用intervals(m)而不是confint() 。）

如果你更喜欢使用broom.mixed ：

• tidy(m,effects="fixed")为您提供一个包含估计值、标准误差等的表格。
• tidy(as(m,"merModLmerTest"), effects="fixed") （或首先与lmerTest配合）包括 p 值
• 添加conf.int=TRUE给出 (Wald) CI
• 添加conf.method="profile" （连同conf.int=TRUE ）给出似然配置文件 CI

您还可以通过参数引导程序 ( method="boot" ) 获得置信区间，这种方法速度相当慢，但在某些情况下更准确。

Answer 6

要找到系数，您可以简单地使用 lme4 的汇总功能

m = lm(resp ~ 0 + var1 + var1:var2) # var1 categorical, var2 continuous
m_summary <- summary(m)

拥有所有系数：

m_summary$coefficient

如果您想要置信区间，请将标准误差乘以 1.96：

CI <- m_summary$coefficient[,"Std. Error"]*1.96
print(CI)

Answer 7

我建议使用sjPlot包中的tab_model()函数作为替代。 干净且可读的输出准备降价。 此处参考和 此处示例。

对于那些更倾向于视觉的plot_model()来自同一个包的人也可能会派上用场。

替代解决方案是使用model_parameters() 函数通过parameters包。