[英]predict lme4 for type “response” (binary choices) — Confidence intervals
[英]lme4 calculate confidence intervals of covariances
請參閱Ben Bolker 16/05/2016的答案,了解相應的解決方案。 OP下面。
我正在使用lme4安裝幾個多級模型。 我想報告隨機效應的方差和協方差,並自動化這個過程。
我知道我能得到的方差與as.data.frame(VarCorr(mymodel))
我知道我能得到的置信區間與confint(mymodel)
顯然,我可以合並/綁定兩個表,並通過簡單地將confint()
的輸出平方在適當的行和列confint()
設置方差周圍的差異,但是如果不是,我還沒有找到一個令人信服的方法來計算協方差。用手。
說confint
的結果是:
conf <- NULL
a <- c(6.2,-0.4,2.2,1.5,-0.4,-0.5,2.8,-0.9,1.3,3.9)
b <- c(6.8,-0.2,2.5,2.5,0.1,0.2,4.8,-0.7,2.3,5)
conf <- data.frame(a,b,row.names = c("sd_(Intercept)|ID","cor_Time.(Intercept)|ID","sd_Time|ID","sd_(Intercept)|Group","cor_Time.(Intercept)|Group","cor_I(Time^2).(Intercept)|Group","sd_Time|Group","cor_I(Time^2).Time|Group","sd_I(Time^2)|Group","sigma"))
colnames(conf) <- c("2.5%","97.5%")
conf
如何自動執行各種乘法以獲得協方差
cov.time.intercept <- conf[1,2]*conf[1,1]*conf[1,3]
?
我試過分割標准偏差和相關性,創建“ID”,“時間”,“我(時間^ 2)”和“(攔截)”變量然后匹配兩列,但我沒有得到任何結果。 問題是,每次模型更改時,您可能會有不同數量的方差和協方差,以及不同的三角矩陣。
感謝您的任何幫助,
ķ。
解決了,謝謝你的貢獻。 我會更新最初的帖子。 可以使用此處提供的Snijders&Bosker數據集測試結果 。
導入
library(foreign)
chap12 <- read.dta(file = "<your path>/ch12.dta")
一個臨時模型:
snijders <- lmer(prox_pup ~ 1 + prox_sel + (1 + occ|teacher), data = chap12)
來源功能:
ExtractVarCovCI <- function(Model) {
v <- NULL
v <- as.data.frame(VarCorr(Model),order = "lower.tri") #Extract variances and covariances
conf <- confint(Model, parm ="theta_", oldNames = F) #extract CIs
v.conf <- cbind(v,conf) #bind confidence intervals
covs <- as.data.frame(v.conf[!is.na(v[,3]),]) #separate variance from covariance components
vars <- as.data.frame(v.conf[is.na(v[,3]),]) #separate variance from covariance components
vars.sq <- vars[,6:7]^2 #calculate square of variance components
colnames(vars.sq) <- sub("[%]", "% sq.", colnames(vars.sq))
vars2 <- cbind(vars,vars.sq) #bind squares of variance components
covs$`2.5 % sq.` <- c(rep(NA,nrow(covs))) #create empty columns for later
covs$`97.5 % sq.` <- c(rep(NA,nrow(covs))) #create empty columns for later
lcovs <- length(row.names(covs)) #now we re-organise the table so that each covariance is below the variance of its variables
k <- NULL
for (i in seq(1:lcovs)) {
k <- rbind(k,vars2[vars2$grp %in% covs[i,1] & vars2$var1 %in% covs[i,2],],vars2[vars2$grp %in% covs[i,1] & vars2$var1 %in% covs[i,3],],covs[i,])
}
k2 <- rbind(k,vars2["sigma",]) #bind the level-1 residuals at the end
k2.covrow <- grep("^cor",rownames(k2)) # isolate covariance row position
k2[k2.covrow,8] <- k2[k2.covrow,6]*k2[k2.covrow-1,6]*k2[k2.covrow-2,6] #calculate covariance 2.5%
k2[k2.covrow,9] <- k2[k2.covrow,7]*k2[k2.covrow-1,7]*k2[k2.covrow-2,7] #calculate covariance 97.5%
p <- NULL
p <- k2[,c(4,8:9)] #retain only the estimates and the confidence intervals
rownames(p) <- sub("^sd","var",rownames(p)) #now it's clear that we have proper variances and covariances
rownames(p) <- sub("^cor","cov",rownames(p)) #now it's clear that we have proper variances and covariances
colnames(p) <- c("Estimate", "2.5%", "97.5%")
return(p)
}
運行功能:
ExtractVarCovCI(snijders)
我的輸出是:
Estimate 2.5% 97.5%
var_(Intercept)|teacher 0.15617962 0.089020350 0.26130969
var_occ|teacher 0.01205317 0.002467408 0.02779329
cov_occ.(Intercept)|teacher -0.03883458 -0.014820577 -0.05887660
sigma 0.04979762 0.034631759 0.07263837
現在我們有一個方差 - 協方差表,它使用非標准化的隨機效應及其上限和下限置信區間。 我相信有更好的方法可以做到這一點,但這是一個開始......
ķ。
請注意, lme4
摘要中隨機效應的標准偏差不是方差的標准誤差! 這只是方差的平方根!
如果您需要對隨機效應的方差進行置信區間,那么您需要profile()
可能性。 見?lme4::profile
。
你的計算似乎給出了合理的答案,但它沒有意義 (對我而言;我隨時准備好被糾正/開悟......)。 假設cov = corr*var1*var2
。 假設ci(.)
是數量的(下限或上限)置信限。 ci(cov) = ci(corr)*ci(var1)*ci(var2)
並不是真的(有趣的是你得到了合理的答案;我認為當數量大致不相關時,這很有可能發生...)如果你有每個分量的方差和它們之間的協方差(我不是指隨機效應方差和協方差本身,而是它們的采樣方差/協方差)你可以使用delta方法近似地傳播它們,但是這些很難得到(見這里 )。
據我所知,做到這一點的“正確”方法是在方差 - 協方差量表上進行似然概率計算而不是標准偏差 - 相關量表。 這在以前是不可能的,但它現在(與Github上的開發版本)。
安裝最新版本:
library(remotes) ## for install_github (or library(devtools))
install_github("lme4/lme4")
預賽:
chap12 <- foreign::read.dta(file = "ch12.dta")
library(lme4)
snijders <- lmer(prox_pup ~ 1 + prox_sel + (1 + occ|teacher),
data = chap12)
as.data.frame(VarCorr(snijders))
## grp var1 var2 vcov sdcor
## 1 teacher (Intercept) <NA> 0.15617962 0.3951957
## 2 teacher occ <NA> 0.01205317 0.1097869
## 3 teacher (Intercept) occ -0.03883458 -0.8950676
## 4 Residual <NA> <NA> 0.04979762 0.2231538
我們在比較結果時必須要小心,因為我們將很快使用的profile.merMod
會自動(並且默默地!)將默認REML的擬合轉換為最大似然擬合(因為基於REML的配置文件可能在統計上有點冒險) ; 然而,它看起來並沒有產生巨大的差異。
s2 <- refitML(snijders)
as.data.frame(VarCorr(s2))
## grp var1 var2 vcov sdcor
## 1 teacher (Intercept) <NA> 0.15426049 0.3927601
## 2 teacher occ <NA> 0.01202631 0.1096645
## 3 teacher (Intercept) occ -0.03884427 -0.9018483
## 4 Residual <NA> <NA> 0.04955549 0.2226106
p.sd <- profile(s2,which="theta_",
signames=FALSE)
p.vcov <- profile(s2,which="theta_",prof.scale="varcov",
signames=FALSE)
我們收到一些關於非單調輪廓的警告......
confint(p.vcov)
## 2.5 % 97.5 %
## var_(Intercept)|teacher 0.08888931 0.26131067
## cov_occ.(Intercept)|teacher -0.07553263 -0.01589043
## var_occ|teacher 0.00000000 0.02783863
## sigma 0.03463184 0.07258777
如果我們檢查相關(sd / variance)元素的平方怎么辦?
confint(p.sd)[c(1,3,4),]^2
## 2.5 % 97.5 %
## sd_(Intercept)|teacher 0.089089363 0.26130970
## sd_occ|teacher 0.002467408 0.02779329
## sigma 0.034631759 0.07263869
除了occ
方差的下界之外,這些匹配得很好; 它們也符合您上面的結果。 然而,協方差結果(我聲稱這是很困難的)給了我(-0.0755,-0.0159),對你來說(-0.0588,-0.0148),大約有20%的差異。 這可能不是什么大問題,取決於你想要做什么。
我們也試試蠻力:
sumfun <- function(x) {
vv <- as.data.frame(VarCorr(x),order="lower.tri")[,"vcov"]
## cheating a bit here, using internal lme4 naming functions ...
return(setNames(vv,
c(lme4:::tnames(x,old=FALSE,prefix=c("var","cov")),
"sigmasq")))
}
cc <- confint(s2,method="boot",nsim=1000,FUN=sumfun,seed=101,
.progress="txt", PBargs=list(style=3))
## .progress/PBargs just cosmetic ...
## 2.5 % 97.5 %
## var_(Intercept)|teacher 0.079429623 0.24053633
## cov_occ.(Intercept)|teacher -0.067063911 -0.01479572
## var_occ|teacher 0.002733402 0.02378310
## sigmasq 0.031952508 0.06736664
這里的“黃金標准”似乎在我的個人資料結果和結果之間:協方差的下限是-0.067,而-0.0755(個人資料)或-0.0588。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.