如何计算R中泊松分布混合效应模型的预期零数？

我正在处理一个数据集并拟合泊松分布混合效应模型。我想计算我的模型预测的预期零数量，并将其与实际数据集中观察到的零数量进行比较。虽然我看到很多帖子都在讨论这个问题的基础数学，但实现这种数学的代码对我来说并不清楚，我似乎找不到任何明确的答案

据我所知，我正在寻找一种计算p（Yi=0 | xi）=e的方法−λ对于R中的混合效应模型

关于我的数据集的一点背景知识。响应变量是一个计数（个体蝴蝶的数量），我的预测变量主要是比例（例如，被花覆盖的栖息地的比例）。我还有一个随机变量：PatchID。我在lme4软件包中拟合了泊松分布混合效应模型

模型输出：

Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
Family: poisson  ( log )
Formula: spp_icarus ~ BareGround + Shrub + Grass + AllFlowers + CowsVetch +  
CanopyCover + avg.bft + season.bft + (1 | PatchID)
Data: icarusdata2

 AIC      BIC   logLik deviance df.resid 
804.8    835.2   -392.4    784.8      144 

Scaled residuals: 
Min     1Q Median     3Q    Max 
-4.819 -0.844 -0.350  0.443 77.147 

Random effects:
Groups  Name        Variance Std.Dev.
PatchID (Intercept) 2.69     1.64    
Number of obs: 154, groups:  PatchID, 39

Fixed effects:
        Estimate Std. Error z value Pr(>|z|)    
(Intercept)   0.3069     0.5750   0.534 0.593512    
BareGround   -5.7246     0.8096  -7.071 1.54e-12 ***
Shrub       -50.1908     5.8837  -8.530  < 2e-16 ***
Grass        -1.3167     0.5608  -2.348 0.018875 *  
AllFlowers   11.2299     1.5986   7.025 2.14e-12 ***
CowsVetch   -51.2781     8.0523  -6.368 1.91e-10 ***
CanopyCover   0.1029     2.3806   0.043 0.965537    
avg.bft     -48.1492     7.0559  -6.824 8.86e-12 ***
season.bft1   2.0350     0.6045   3.367 0.000761 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

广义线性混合模型最大似然拟合（拉普拉斯近似）['glmerMod']
族：泊松（对数）
配方：spp_icarus~裸地+灌木+草+百花+牛鞭草+
CanopyCover+avg.bft+season.bft+（1 | PatchID）
数据：icarusdata2
AIC BIC logLik偏差df.resid
804.8    835.2   -392.4    784.8      144 
标度残差：
最小1季度中值3季度最大值
-4.819 -0.844 -0.350  0.443 77.147 
随机效应：
组名为Variance Std.Dev。
PatchID（截距）2.69 1.64
OB数量：154，组：PatchID，39
固定效果：
估计标准误差z值Pr（>z）
（截距）0.3069 0.5750 0.534 0.593512
裸地-5.7246 0.8096-7.071 1.54e-12***
灌木-50.1908 5.8837-8.530<2e-16***
草地-1.3167 0.5608-2.348 0.018875*
AllFlowers 11.22991.5986 7.025 2.14e-12***
CowsVetch-51.2781 8.0523-6.368 1.91e-10***
遮篷盖0.1029 2.3806 0.043 0.965537
平均bft-48.1492 7.0559-6.824 8.86e-12***
季候.bft1 2.0350 0.6045 3.367 0.000761***
---
签名。代码：0'***'0.001'***'0.01'*'0.05'.'0.1''1

好的，我对的解释可以翻译成R代码，如下所示。使用您安装的模型

模型

，您可以预测每次观察的预期响应：

lambda_hat <- predict(model, type = "response")

---

你能分享你提到的链接吗？顺便说一句，我刚看到这个。嗨@RalfStubner！这个问题的相关链接可能包括：和。这是有意义的，代码是有效的，但我还有一个问题需要澄清。当在X的所有观测值中求和得到零的概率时，这会产生预期的零数还是预期的得到零的概率？例如，如果通过实现此代码，我得到的预期零的值为64.3，这是否表示模型预测154个观测值中的64个零（即42%）或预测的64%零？@StephanieRivest它是预期零的数量。毕竟，这个总和可以和你观察到的数量一样大。我看这篇文章已经有一段时间了，但我现在对输出值的实际含义有些怀疑。是（1）预期的零数还是（2）预期的零概率。根据Ralf的回答，他会建议预期的0代表上面的1。然而，当我查看其他帖子（例如）时，我觉得这个值实际上代表了上面的#2。有人能就这个问题作出澄清吗？@StephanieRivest我只能重复我的论点：这不可能是一个可能性，因为它不能保证是肯定的。谢谢你回复@Ralf，我为没有马上得到它而道歉！我同意你的看法，预期的_零可能大于1（因为我以前就有过这种情况）。我无法解决的是，我也在R中尝试了ppois函数，它给出了相同的结果，期望_zero=0.15。然而，在这个描述如何使用函数ppois（）的网页上，他们将答案称为概率！我的困惑仍然存在！

expected_zeros <- sum(exp(-lambda_hat))