R：GLMM（lme4）的连续变量和分类变量的交互图

我想制作一个交互图，以直观地显示分类变量（4级）和回归模型结果中标准化连续变量交互斜率的差异或相似性

with（GLMModel，interaction.plot（continuous.var，category.var，response.var））

这不是我要找的。它生成一个曲线图，其中连续变量的每个值的斜率都会发生变化。我希望绘制一个具有恒定坡度的图，如下图所示：

有什么想法吗

我拟合了一个形式为

fit的模型，下面是各种各样的答案（顺便说一下，上面的数据框中缺少了一些引号，必须手动修复…）

符合模型：

library(lme4)
fit <- glmer(resp.var ~ cont.var:cat.var + (1|rand.eff) ,
           data = sample.data , poisson)

快速和肮脏的线性回归：

ggplot(sample.data,aes(cont.var,resp.var,linetype=cat.var))+
    geom_smooth(method="lm",se=FALSE)

现在使用泊松GLM（但不包括随机效应），并显示数据点：

ggplot(sample.data,aes(cont.var,resp.var,colour=cat.var))+
    stat_sum(aes(size=..n..),alpha=0.5)+
    geom_smooth(method="glm",family="poisson")

下一位需要开发（r-forge）版本的
lme4
，该版本具有
预测方法：

为预测设置数据帧：

predframe <- with(sample.data,
                  expand.grid(cat.var=levels(cat.var),
                              cont.var=seq(min(cont.var),
                              max(cont.var),length=51)))


现在在反应量表上：

predframe$pred <- predict(fit,newdata=predframe,REform=NA,type="response")
ggplot(predframe,aes(cont.var,pred,linetype=cat.var))+geom_line()+
    geom_point(data=subset(predframe,cont.var %in% minmaxvals),
               aes(shape=cat.var))

predframe$pred该软件包支持
lme4
型号，应该能够满足您的需要

效果：线性、广义线性和其他模型的效果显示

图形和表格效果显示，例如，具有线性预测的各种统计模型的交互作用

它还附带了两个稍微过时的（您可以将它们视为渐晕）。
jtools
包（）可以使这种模型的绘制非常简单。我是这个软件包的开发者

我们将像Ben在回答中所做的那样拟合模型：

library(lme4)
fit <- glmer(resp.var ~ cont.var:cat.var + (1 | rand.eff),
             data = sample.data, family = poisson)

结果是：


默认情况下，它绘制在响应量表上，但您可以使用
output.scale=“link”
参数（默认值为
“response”
）将
predict
与
ggplot
或
lattice:：xyplot
组合在线性量表上绘制。请提供可复制的示例？谢谢！很抱歉遗漏了报价。我使用了dput，没有修改输出，而是提供了示例数据。我应该做点别的吗。是的，你是对的，我应该在指定模型时使用
*
而不是
：
。这有点混乱，但我会尝试
安装.packages（“lme4”，repos=”http://lme4.r-forge.r-project.org/repos“”
——r-forge主存储库的构建目前已中断（如有必要，您始终可以从CRAN重新安装）。Excel除外：-）：无法安装的症状是什么？（您使用的是什么OS和R版本？）我在尝试安装jtools时收到了一长串警告，发布了一些警告：InternetOpenUrl失败：“证书中的日期无效或已过期”“无法打开URL”“我无法访问存储库的索引：无法打开URL”“包“jtools”不可用（对于R版本3.6.3）InternetOpenUrl失败：“证书中的日期无效或已过期”
predframe$pred.logit <- predict(fit,newdata=predframe,REform=NA)

minmaxvals <- range(sample.data$cont.var)

ggplot(predframe,aes(cont.var,pred.logit,linetype=cat.var))+geom_line()+
    geom_point(data=subset(predframe,cont.var %in% minmaxvals),
               aes(shape=cat.var))

predframe$pred <- predict(fit,newdata=predframe,REform=NA,type="response")
ggplot(predframe,aes(cont.var,pred,linetype=cat.var))+geom_line()+
    geom_point(data=subset(predframe,cont.var %in% minmaxvals),
               aes(shape=cat.var))

library(lme4)
fit <- glmer(resp.var ~ cont.var:cat.var + (1 | rand.eff),
             data = sample.data, family = poisson)

library(jtools)
interact_plot(fit, pred = cont.var, modx = cat.var)