[英]glmmTMB, post-hoc testing and glht
我正在使用 glmmTMB 來分析負二項式廣義線性混合模型 (GLMM),其中因變量是過度分散的計數數據 (CT)。
相關數據框中有 115 個樣本(行)。 有兩個固定效應 (F1, F2) 和一個隨機截距 (R),其中嵌套了另一個隨機效應 (NR)。 還有一個偏移量,由每個樣本中總計數的自然對數 (LOG_TOT) 組成。
數據框 df 的一個示例是:
CT F1 F2 R NR LOG_TOT
77 0 0 1 1 12.9
167 0 0 2 6 13.7
289 0 0 3 11 13.9
253 0 0 4 16 13.9
125 0 0 5 21 13.7
109 0 0 6 26 13.6
96 1 0 1 2 13.1
169 1 0 2 7 13.7
190 1 0 3 12 13.8
258 1 0 4 17 13.9
101 1 0 5 22 13.5
94 1 0 6 27 13.5
89 1 25 1 4 13.0
166 1 25 2 9 13.6
175 1 25 3 14 13.7
221 1 25 4 19 13.8
131 1 25 5 24 13.5
118 1 25 6 29 13.6
58 1 75 1 5 12.9
123 1 75 2 10 13.4
197 1 75 3 15 13.7
208 1 75 4 20 13.8
113 1 8 1 3 13.2
125 1 8 2 8 13.7
182 1 8 3 13 13.7
224 1 8 4 18 13.9
104 1 8 5 23 13.5
116 1 8 6 28 13.7
122 2 0 1 2 13.1
115 2 0 2 7 13.6
149 2 0 3 12 13.7
270 2 0 4 17 14.1
116 2 0 5 22 13.5
94 2 0 6 27 13.7
73 2 25 1 4 12.8
61 2 25 2 9 13.0
185 2 25 3 14 13.8
159 2 25 4 19 13.7
125 2 25 5 24 13.6
75 2 25 6 29 13.5
121 2 8 1 3 13.0
143 2 8 2 8 13.8
219 2 8 3 13 13.9
191 2 8 4 18 13.7
98 2 8 5 23 13.5
115 2 8 6 28 13.6
110 3 0 1 2 12.8
123 3 0 2 7 13.6
210 3 0 3 12 13.9
354 3 0 4 17 14.4
160 3 0 5 22 13.7
101 3 0 6 27 13.6
69 3 25 1 4 12.6
112 3 25 2 9 13.5
258 3 25 3 14 13.8
174 3 25 4 19 13.5
171 3 25 5 24 13.9
117 3 25 6 29 13.7
38 3 75 1 5 12.1
222 3 75 2 10 14.1
204 3 75 3 15 13.5
235 3 75 4 20 13.7
241 3 75 5 25 13.8
141 3 75 6 30 13.9
113 3 8 1 3 12.9
90 3 8 2 8 13.5
276 3 8 3 13 14.1
199 3 8 4 18 13.8
111 3 8 5 23 13.6
109 3 8 6 28 13.7
135 4 0 1 2 13.1
144 4 0 2 7 13.6
289 4 0 3 12 14.2
395 4 0 4 17 14.6
154 4 0 5 22 13.7
148 4 0 6 27 13.8
58 4 25 1 4 12.8
136 4 25 2 9 13.8
288 4 25 3 14 14.0
113 4 25 4 19 13.5
162 4 25 5 24 13.7
172 4 25 6 29 14.1
2 4 75 1 5 12.3
246 4 75 3 15 13.7
247 4 75 4 20 13.9
114 4 8 1 3 13.1
107 4 8 2 8 13.6
209 4 8 3 13 14.0
190 4 8 4 18 13.9
127 4 8 5 23 13.5
101 4 8 6 28 13.7
167 6 0 1 2 13.4
131 6 0 2 7 13.5
369 6 0 3 12 14.5
434 6 0 4 17 14.9
172 6 0 5 22 13.8
126 6 0 6 27 13.8
90 6 25 1 4 13.1
172 6 25 2 9 13.7
330 6 25 3 14 14.2
131 6 25 4 19 13.7
151 6 25 5 24 13.9
141 6 25 6 29 14.2
7 6 75 1 5 12.2
194 6 75 2 10 14.2
280 6 75 3 15 13.7
253 6 75 4 20 13.8
45 6 75 5 25 13.4
155 6 75 6 30 13.9
208 6 8 1 3 13.5
97 6 8 2 8 13.5
325 6 8 3 13 14.3
235 6 8 4 18 14.1
112 6 8 5 23 13.6
188 6 8 6 28 14.1
隨機和嵌套隨機效應被視為因素。 固定效應 F1 的值為 0、1、2、3、4 和 6。固定效應 F2 的值為 0、8、25 和 75。我將固定效應視為連續的,而不是有序的,因為我會喜歡識別因變量 CT 的單調單向變化而不是上下變化。
我之前使用 lme4 包將數據作為混合模型進行分析:
library(lme4)
m1 <- lmer(CT ~ F1*F2 + (1|R/NR) +
offset(LOG_TOT), data = df, verbose=FALSE)
其次是在 multcomp 包中使用 glht 進行事后分析,采用公式方法:
library(multcomp)
glht_fixed1 <- glht(m1, linfct = c(
"F1 == 0",
"F1 + 8*F1:F2 == 0",
"F1 + 25*F1:F2 == 0",
"F1 + 75*F1:F2 == 0",
"F1 + (27)*F1:F2 == 0"))
glht_fixed2 <- glht(m1, linfct = c(
"F2 + 1*F1:F2 == 0",
"F2 + 2*F1:F2 == 0",
"F2 + 3*F1:F2 == 0",
"F2 + 4*F1:F2 == 0",
"F2 + 6*F1:F2 == 0",
"F2 + (3.2)*F1:F2 == 0"))
glht_omni <- glht(m1)
這是相應的負二項式 glmmTMB 模型,我現在更喜歡:
library(glmmTMB)
m2 <- glmmTMB(CT ~ F1*F2 + (1|R/NR) +
offset(LOG_TOT), data = df, verbose=FALSE, family="nbinom2")
根據 Ben Bolker ( https://stat.ethz.ch/pipermail/r-sig-mixed-models/2017q3/025813.html ) 的建議,使用 glmmTMB 進行事后測試的最佳方法是使用 lsmeans (?或其最近的等價物,emmeans)。
我聽從了 Ben 的建議,跑了
source(system.file("other_methods","lsmeans_methods.R",package="glmmTMB"))
然后我可以在 glmmTMB 對象上使用 emmeans。 例如,
as.glht(emmeans(m2,~(F1 + 27*F1:F2)))
General Linear Hypotheses
Linear Hypotheses:
Estimate
3.11304347826087, 21 == 0 -8.813
但這似乎並不正確。 我也可以將 F1 和 F2 更改為因子,然后嘗試以下操作:
as.glht(emmeans(m2,~(week + 27*week:conc)))
General Linear Hypotheses
Linear Hypotheses:
Estimate
0, 0 == 0 -6.721
1, 0 == 0 -6.621
2, 0 == 0 -6.342
3, 0 == 0 -6.740
4, 0 == 0 -6.474
6, 0 == 0 -6.967
0, 8 == 0 -6.694
1, 8 == 0 -6.651
2, 8 == 0 -6.227
3, 8 == 0 -6.812
4, 8 == 0 -6.371
6, 8 == 0 -6.920
0, 25 == 0 -6.653
1, 25 == 0 -6.648
2, 25 == 0 -6.282
3, 25 == 0 -6.766
4, 25 == 0 -6.338
6, 25 == 0 -6.702
0, 75 == 0 -6.470
1, 75 == 0 -6.642
2, 75 == 0 -6.091
3, 75 == 0 -6.531
4, 75 == 0 -5.762
6, 75 == 0 -6.612
但是,同樣,我不確定如何根據我的意願彎曲這個輸出。 如果有人能告訴我如何正確地將 glht 和 linfct 中公式的使用轉移到帶有 glmmTMB 的 emmeans 場景中,我將非常感激。 我已經閱讀了所有的手冊和小插圖,直到我臉色發青(或者至少感覺是這樣),但我仍然不知所措。 在我的辯護中(有罪?)我是一個統計tyro,如果我在這里問一個有非常明顯答案的問題,那么非常抱歉。
glht 軟件和事后測試直接轉移到 glmmADMB 包,但 glmmADMB 比 glmmTMB 慢 10 倍。 我需要多次運行此分析,每次運行包含 300,000 個負二項式混合模型的示例,因此速度至關重要。
非常感謝您的建議和幫助!
第二個參數( specs
)到emmeans
是不一樣的linfct
在爭論glht
,所以你不能以同樣的方式使用它。 您必須按照預期的方式使用它來調用emmeans()
。 as.glht()
函數將結果轉換為glht
對象,但實際上沒有必要這樣做,因為emmeans
摘要會產生類似的結果。
我認為您試圖獲得的結果可以通過
emmeans(m2, ~ F2, at = list(F2 = c(0, 8, 25, 75)))
(使用帶有預測變量的原始模型作為定量變量)。 這將計算將F1
保持在其平均值和F2
每個指定值的調整均值。
請查看emmeans()
的文檔。 此外,還有許多提供解釋和示例的小插圖——從https://cran.r-project.org/web/packages/emmeans/vignettes/basics.html開始。
根據我出色的統計顧問的建議,我認為下面的解決方案提供了我之前使用 glht 和 linfct 獲得的結果。
F1 的斜率是通過使用對比度和 emmeans 計算 F1 的兩個值(即 c(0,1))之間的因變量差異而在 F2 的各個級別計算的。 (由於回歸是線性的,F1 的兩個值是任意的,只要它們被一個單位分開,例如 c(3,4))。 F2 的斜率反之亦然。
因此,F1 在 F2 處的斜率 = 0、8、25、75 和 27(27 是 F2 的平均值):
contrast(emmeans(m1, specs="F1", at=list(F1=c(0,1), F2=0)),list(c(-1,1)))
(above equivalent to: summary(m1)$coefficients$cond["F1",])
contrast(emmeans(m1, specs="F1", at=list(F1=c(0,1), F2=8)),list(c(-1,1)))
contrast(emmeans(m1, specs="F1", at=list(F1=c(0,1), F2=25)),list(c(-1,1)))
contrast(emmeans(m1, specs="F1", at=list(F1=c(0,1), F2=75)),list(c(-1,1)))
contrast(emmeans(m1, specs="F1", at=list(F1=c(0,1), F2=27)),list(c(-1,1)))
和 F2 在 F1 = 1、2、3、4、6 和 3.2 處的斜率(3.2 是 F1 的平均值,不包括零值):
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=0)),list(c(-1,1)))
(above equivalent to: summary(m1)$coefficients$cond["F2",])
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=1)),list(c(-1,1)))
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=2)),list(c(-1,1)))
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=3)),list(c(-1,1)))
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=4)),list(c(-1,1)))
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=6)),list(c(-1,1)))
contrast(emmeans(m1, specs="F2", at=list(F2=c(0,1), F1=3.2)),list(c(-1,1)))
F1 = 0 和 F2 = 0 時 F1 和 F2 斜率的相互作用
contrast(emmeans(m1, specs=c("F1","F2"), at=list(F1=c(0,1),F2=c(0,1))),list(c(1,-1,-1,1)))
(above equivalent to: summary(m1)$coefficients$cond["F1:F2",])
從contrast()
提供的結果emmGrid
對象中,可以根據需要挑選斜率的估計值( estimate
)、估計斜率的標准偏差( SE
)、估計斜率與零假設斜率的差異的Z 分數的零( z.ratio
,由下式計算emmGrid
從estimate
除以SE
)和相應的P值( p.value
通過計算emmGrid
為2*pnorm(-abs(z.ratio)
例如:
contrast(emmeans(m1, specs="F1", at=list(F2=c(0,1), F1=0)),list(c(-1,1)))
產量:
NOTE: Results may be misleading due to involvement in interactions
contrast estimate SE df z.ratio p.value
c(-1, 1) 0.001971714 0.002616634 NA 0.754 0.4511
1.25 年后添加的后記:
以上給出了正確的解決方案,但正如 Russell Lenth 指出的那樣,使用 emtrends 更容易獲得答案。 但是,我選擇這個答案是正確的,因為在展示如何使用 emmeans 計算斜率以找到當自變量變化 1 時預測因變量的結果變化時可能有一些教學價值。
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.