R 使用lme4估计均值和置信区间
我使用R 使用lme4估计均值和置信区间,r,lme4,confidence-interval,lsmeans,R,Lme4,Confidence Interval,Lsmeans,我使用lme4::glmer()在R中运行混合模型逻辑回归。这是一个有四个分类变量的模型。每个变量都进行了效果编码(-1,1)。参与者和刺激(编码为“参与者”)都有随机效应。我复制了下面的输出 Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod'] Family: binomial ( logit ) Formula: correctDummy ~ raceE
lme4::glmer()
在R中运行混合模型逻辑回归。这是一个有四个分类变量的模型。每个变量都进行了效果编码(-1,1)。参与者和刺激(编码为“参与者”)都有随机效应。我复制了下面的输出
Generalized linear mixed model fit by maximum likelihood
(Laplace Approximation) ['glmerMod']
Family: binomial ( logit )
Formula: correctDummy ~ raceEffect * infoEffect * objectEffect * groupEffect +
(object | participant) + (object | actor)
Data: df
Control: glmerControl(optimizer = "bobyqa")
AIC BIC logLik deviance df.resid
38532.9 38722.4 -19244.4 38488.9 40778
Scaled residuals:
Min 1Q Median 3Q Max
-6.5155 0.2361 0.3815 0.5268 2.8158
Random effects:
Groups Name Variance Std.Dev. Corr
participant (Intercept) 0.3320 0.5762
objectnogun 0.3584 0.5986 -0.22
actor (Intercept) 0.2709 0.5204
objectnogun 0.4135 0.6430 -0.65
Number of obs: 40800, groups: participant, 153; actor, 40
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.5311984 0.0829808 18.452 < 2e-16 ***
raceEffect -0.0225314 0.0655927 -0.344 0.731218
infoEffect 0.0005097 0.0188336 0.027 0.978410
objectEffect -0.0497586 0.0604082 -0.824 0.410107
groupEffect 0.2048575 0.0540882 3.787 0.000152 ***
raceEffect:infoEffect 0.0004164 0.0188259 0.022 0.982353
raceEffect:objectEffect 0.0218374 0.0542910 0.402 0.687515
infoEffect:objectEffect 0.1939512 0.0188332 10.298 < 2e-16 ***
raceEffect:groupEffect -0.0022580 0.0187905 -0.120 0.904351
infoEffect:groupEffect -0.0135822 0.0188172 -0.722 0.470418
objectEffect:groupEffect 0.0141459 0.0322551 0.439 0.660978
raceEffect:infoEffect:objectEffect -0.0192888 0.0188261 -1.025 0.305562
raceEffect:infoEffect:groupEffect -0.0157074 0.0188125 -0.835 0.403748
raceEffect:objectEffect:groupEffect 0.0150685 0.0187907 0.802 0.422605
infoEffect:objectEffect:groupEffect -0.0253699 0.0188176 -1.348 0.177593
raceEffect:infoEffect:objectEffect:groupEffect -0.0113857 0.0188127 -0.605 0.545037
广义线性混合模型的极大似然拟合
(拉普拉斯近似)['glmerMod']
家庭:二项式(logit)
公式:correctDummy~raceEffect*infoEffect*objectEffect*groupEffect+
(对象|参与者)+(对象|参与者)
数据:df
控件:glmerControl(optimizer=“bobyqa”)
AIC BIC logLik偏差df.resid
38532.9 38722.4 -19244.4 38488.9 40778
标度残差:
最小1季度中值3季度最大值
-6.5155 0.2361 0.3815 0.5268 2.8158
随机效应:
组名为Variance Std.Dev。科尔
参与者(截距)0.3320 0.5762
objectnogun 0.3584 0.5986-0.22
演员(截距)0.2709 0.5204
objectnogun 0.4135 0.6430-0.65
obs数量:40800,分组:参与者,153;男演员,40岁
固定效果:
估计标准误差z值Pr(>z)
(截距)1.5311984 0.0829808 18.452<2e-16***
消旋效应-0.025314 0.0655927-0.344 0.731218
信息效果0.0005097 0.0188336 0.027 0.978410
objectEffect-0.0497586 0.0604082-0.824 0.410107
组效应0.2048575 0.0540882 3.787 0.000152***
消旋效应:信息效应0.0004164 0.0188259 0.022 0.982353
消旋效应:objectEffect 0.0218374 0.0542910 0.402 0.687515
信息效应:对象效应0.1939512 0.0188332 10.298<2e-16***
消旋效应:组效应-0.0022580 0.0187905-0.120 0.904351
infoEffect:groupEffect-0.0135822 0.0188172-0.7220.470418
objectEffect:groupEffect 0.0141459 0.0322551 0.439 0.660978
消旋效应:信息效应:对象效应-0.0192888 0.0188261-1.025 0.305562
消旋效应:信息效应:群体效应-0.0157074 0.0188125-0.835 0.403748
raceEffect:objectEffect:groupEffect 0.0150685 0.0187907 0.802 0.422605
infoEffect:objectEffect:groupEffect-0.0253699 0.0188176-1.348 0.177593
raceEffect:infoEffect:objectEffect:groupEffect-0.0113857 0.0188127-0.605 0.545037
我想知道如何计算特定条件下的模型预测平均值和95%置信区间。例如,我想计算“群体效应”主要效应的两组预测平均值和95%CI。我还想计算参与“infoEffect:objectEffect”交互作用的四个组的预测平均值和95%CI
明确地说,我不希望计算效果本身周围的95%CI(我可以通过使用lme4::bootMer()
或使用lme4::confint()
进行引导计算)。我想计算预测平均值(即第一组正确响应的次数比例;第二组正确响应的次数比例)和95%置信区间
我原以为
lsmeans()
包可能能够完成我所寻找的任务,但我还没有成功。似乎有很多这样做的软件包都是针对使用连续变量而不是二进制变量的模型的。这不是很优雅,但是为什么不尝试predict()
每种不同4种效果的组合(总共16种-1和/或1的组合)。这些预测值将为您提供模型的隐含平均值和置信区间,对吗?lsmeans包肯定可以做到这一点。查看文档并考虑使用<代码>类型=“响应”<代码> > <代码>(代码)>调用。它也看起来像<代码> raceEffo> <代码>等被编码为哑变量。在拟合模型之前将这些转换为因子,或者将at=list(raceffect=0:1,…)
添加到lsmeans()
调用中。谢谢您--这解决了我的问题。这些变量确实是效应编码的,但它们是数字而不是因子。正如你所说,我将它们转化为因子。然后——重要的是——我使用contrasts()
为这些变量设置了适当的对比度。现在,当我使用lsmeans(model,specs=~groupEffect,transform=“response”)
估计平均值时,提供了平均值和95%CI。这不是很优雅,但为什么不尝试predict()
每种不同4种效果的组合(总共16种-1和/或1的组合)。这些预测值将为您提供模型的隐含平均值和置信区间,对吗?lsmeans包肯定可以做到这一点。查看文档并考虑使用<代码>类型=“响应”<代码> > <代码>(代码)>调用。它也看起来像<代码> raceEffo> <代码>等被编码为哑变量。在拟合模型之前将这些转换为因子,或者将at=list(raceffect=0:1,…)
添加到lsmeans()
调用中。谢谢您--这解决了我的问题。这些变量确实是效应编码的,但它们是数字而不是因子。正如你所说,我将它们转化为因子。然后——重要的是——我使用contrasts()
为这些变量设置了适当的对比度。现在,当我使用lsmeans(model,specs=~groupEffect,transform=“response”)
估计平均值时,提供了平均值和95%置信区间。