R glmmTMB是否返回glmmADMB等随机效应方差分量的标准误差？

注：以下分析仅适用于可复制对象，不作为分析

质量
中的
细菌
数据的合法方法

library(glmmADMB)
library(glmmTMB)

data(bacteria,package="MASS")
bacteria$present <- as.numeric(bacteria$y)-1
bacteria$early <- factor(as.numeric(bacteria$week > 3) + 1)
bfit2 <-  glmmadmb(present ~ trt , 
                   random = ~ (1 | ID) + (1 | early),
                   family = "binomial", data = bacteria)
bfit2$S
bfit2$sd_S

bfit3 <- glmmTMB(present ~ trt + (1 | ID) + (1 | early),
                 family = "binomial", data = bacteria)

summary(bfit3)$varcor
confint(bfit3)

如我们所见，
sqrt（1.4047）=1.18513
和
sqrt（0.51465）=0.71733
表明
bfit2$S
给出了方差的估计值，
summary（bfit3）$varcor
给出了标准偏差的估计值

第二次更新：

经过一些挖掘，我意识到
bfit3$sdr
返回log-sd标度上的方差分量以及标准误差。因此，一种想法是避免
confint
，通过计算对数sd标度上的95%CI，然后转换为所需标度，然后将CI宽度除以2*1.96，来反算SEs

## to get the standard errors from glmmTMB:
bfit3$sdr
## note that theta is just log(sd)
exp(summary(bfit3$sdr, "fixed")[4,1])
exp(summary(bfit3$sdr, "fixed")[5,1])
## calculate the (wald) lower and upper on the log(sd) scale:
low.log.sd.id    <- summary(bfit3$sdr, "fixed")[4,1] - 1.96*summary(bfit3$sdr, "fixed")[4,2]
low.log.sd.early <- summary(bfit3$sdr, "fixed")[5,1] - 1.96*summary(bfit3$sdr, "fixed")[5,2]
upp.log.sd.id    <- summary(bfit3$sdr, "fixed")[4,1] + 1.96*summary(bfit3$sdr, "fixed")[4,2]
upp.log.sd.early <- summary(bfit3$sdr, "fixed")[5,1] + 1.96*summary(bfit3$sdr, "fixed")[5,2]
## convert to variance scale by taking exp and then squaring
low.var.id <- exp(low.log.sd.id)^2
upp.var.id <- exp(upp.log.sd.id)^2
low.var.early <- exp(low.log.sd.early)^2
upp.var.early <- exp(upp.log.sd.early)^2
## back calculate SEs
(upp.var.id - low.var.id) / (2*1.96)
(upp.var.early - low.var.early) / (2*1.96)
## see how they compare to the confint answers for sd:
sqrt(c(low.var.id, upp.var.id))
sqrt(c(low.var.early, upp.var.early))

##要从glmmTMB获取标准错误：
bfit3美元特别提款权
##注意，θ只是对数（sd）
exp（汇总（bfit3$sdr，“固定”）[4,1]）
exp（汇总（bfit3$sdr，“固定”）[5,1]）
##计算对数（sd）刻度上的（瓦尔德）下限和上限：
low.log.sd.id low.var.id upp.var.id low.var.early upp.var.early#
>（upp.var.id-low.var.id）/（2*1.96）
[1] 1.24857
>（高风险早期-低风险早期）/（2*1.96）
[1] 1.354657
>##查看它们与sd的确认答案的比较：
>sqrt（c（低变量id，高变量id））
[1] 0.611891 2.295388
>sqrt（c（低风险早期，高风险早期））
[1] 0.2222637 2.3150935

上面的最后两行与confint（bfit3）输出的最后两行非常匹配。现在我想我只是想知道为什么glmmADMB的SEs为0.94743和0.61533，而glmmTMB的反算SEs分别为1.24857和1.354657…（？）
对象是一个列表。标准偏差存储为属性：

str( summary(bfit3)$varcor )
List of 2
 $ cond:List of 2
  ..$ ID   : num [1, 1] 1.4
  .. ..- attr(*, "dimnames")=List of 2
  .. .. ..$ : chr "(Intercept)"
  .. .. ..$ : chr "(Intercept)"
  .. ..- attr(*, "stddev")= Named num 1.19
  .. .. ..- attr(*, "names")= chr "(Intercept)"
  .. ..- attr(*, "correlation")= num [1, 1] 1
  .. .. ..- attr(*, "dimnames")=List of 2
  .. .. .. ..$ : chr "(Intercept)"
  .. .. .. ..$ : chr "(Intercept)"
  .. ..- attr(*, "blockCode")= Named num 1
  .. .. ..- attr(*, "names")= chr "us"
  ..$ early: num [1, 1] 0.515
  .. ..- attr(*, "dimnames")=List of 2
  .. .. ..$ : chr "(Intercept)"
  .. .. ..$ : chr "(Intercept)"
  .. ..- attr(*, "stddev")= Named num 0.717
  .. .. ..- attr(*, "names")= chr "(Intercept)"
  .. ..- attr(*, "correlation")= num [1, 1] 1
  .. .. ..- attr(*, "dimnames")=List of 2
  .. .. .. ..$ : chr "(Intercept)"
  .. .. .. ..$ : chr "(Intercept)"
  .. ..- attr(*, "blockCode")= Named num 1
  .. .. ..- attr(*, "names")= chr "us"
  ..- attr(*, "sc")= num 1
  ..- attr(*, "useSc")= logi FALSE
 $ zi  : NULL
 - attr(*, "sc")= logi FALSE
 - attr(*, "class")= chr "VarCorr.glmmTMB"

这将在该对象的
$cond
元素上循环：

sapply( summary(bfit3)$varcor$cond, function(x) attr( x, "stddev") )
   ID.(Intercept) early.(Intercept) 
        1.1851276         0.7173293 

对您的分析不是100%确定，但以下是我要检查的内容（包括深入挖掘
glmmADMB
的本质，以及使用
glmmTMB
的一些稍微模糊的方面）：


运行
glmmADMB
，并深入ADMB
.std
输出文件以检查结果：

N-PAR估计SD

4 tmpL 1.6985e-01 3.3727e-01

5 tmpL-3.2901e-01 5.9780e-01

... 

62 S 1.4045 9.474e-01

63 S 5.178e-01 6.191e-01

这些行分别是内部参数（
tmpL
：对数标准偏差）和转换参数（方差）

重新进行转换并检查：

tmpL <-    c(0.16985,-0.32901)
cbind(admb.raw=exp(2*tmpL),
      admb=unlist(bfit2$S),
      tmb =unlist(VarCorr(bfit3)))
##        admb.raw    admb       tmb
## ID    1.4045262 1.40450 1.4045274
## early 0.5178757 0.51788 0.5145613

tmpL此答案提供了标准偏差，在问题中已显示为
summary（bfit3）$varcor
——我正在寻找这些估计值的标准误差。我认为这里可能存在一些术语混淆。术语“估计的标准误差”是参数估计的标准偏差（在“参数空间”）。当以原始数据比例一起查看时，“标准误差”和“标准偏差”因sqrt（df）的一个因素而不同。我们可以尝试在@BenBolker页面上搜索，以获得关于此问题和我使用术语的专家独立意见。好主意！我在glmmTMB github页面上发布了一个问题，他们引起了我的注意
confint（）
，我相应地更新了我的问题。我想我很乐意得到预期的SEs——现在我的问题已经发展到为什么glmmADMB和glmmTMB之间的SEs不同了。
sapply( summary(bfit3)$varcor$cond, function(x) attr( x, "stddev") )
   ID.(Intercept) early.(Intercept) 
        1.1851276         0.7173293 

tmpL <-    c(0.16985,-0.32901)
cbind(admb.raw=exp(2*tmpL),
      admb=unlist(bfit2$S),
      tmb =unlist(VarCorr(bfit3)))
##        admb.raw    admb       tmb
## ID    1.4045262 1.40450 1.4045274
## early 0.5178757 0.51788 0.5145613

## sd of log-sd from glmmTMB
tmb_sd <- sqrt(diag(vcov(bfit3,full=TRUE)))[4:5]
tmb_logsd <- bfit3$sdr$par.fixed[4:5]
tmpL_sd <- c(0.33727,0.5978)
cbind(admb.raw=tmpL_sd*2*exp(2*tmpL),
      admb=unlist(bfit2$sd_S),
      tmb=tmb_sd*2*exp(2*tmb_logsd))
##        admb.raw    admb       tmb
## ID    0.9474091 0.94741 0.9474132
## early 0.6191722 0.61918 0.6152003