Fatal编程技术网
  • r/
  • glmer和glmmTMB模型使用ggpredict的不同输出

glmer和glmmTMB模型使用ggpredict的不同输出

r plot

glmer和glmmTMB模型使用ggpredict的不同输出,r,plot,predict,lme4,R,Plot,Predict,Lme4,我试图用物种存在作为反应来预测和绘制模型。但是，我遇到了以下问题：对于glmer和glmmTMB中的相同数据，ggpredict的输出相差很大。然而，估计值和AIC非常相似。这些是简化模型，仅包括日期（已居中并按比例缩放），这似乎是最难预测的问题 yntest<- glmer(MYOSOD.P~ jdate.z + I(jdate.z^2) + I(jdate.z^3) + (1|area/SiteID), family = binomial, data = s

我试图用物种存在作为反应来预测和绘制模型。但是，我遇到了以下问题：对于glmer和glmmTMB中的相同数据，ggpredict的输出相差很大。然而，估计值和AIC非常相似。这些是简化模型，仅包括日期（已居中并按比例缩放），这似乎是最难预测的问题

yntest<- glmer(MYOSOD.P~ jdate.z + I(jdate.z^2) + I(jdate.z^3) +
             (1|area/SiteID), family = binomial,  data = sodpYN)


> summary(yntest)
Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
 Family: binomial  ( logit )
Formula: MYOSOD.P ~ jdate.z + I(jdate.z^2) + I(jdate.z^3) + (1 | area/SiteID)
   Data: sodpYN

     AIC      BIC   logLik deviance df.resid 
  1260.8   1295.1   -624.4   1248.8     2246 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-2.0997 -0.3218 -0.2013 -0.1238  9.4445 

Random effects:
 Groups      Name        Variance Std.Dev.
 SiteID:area (Intercept) 1.6452   1.2827  
 area        (Intercept) 0.6242   0.7901  
Number of obs: 2252, groups:  SiteID:area, 27; area, 9

Fixed effects:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)  -2.96778    0.39190  -7.573 3.65e-14 ***
jdate.z      -0.72258    0.17915  -4.033 5.50e-05 ***
I(jdate.z^2)  0.10091    0.08068   1.251  0.21102    
I(jdate.z^3)  0.25025    0.08506   2.942  0.00326 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
            (Intr) jdat.z I(.^2)
jdate.z      0.078              
I(jdat.z^2) -0.222 -0.154       
I(jdat.z^3) -0.071 -0.910  0.199

yntest摘要（yntest）
广义线性混合模型的最大似然拟合（拉普拉斯近似）['glmerMod']
家庭：二项式（logit）
公式：MYOSOD.P~jdate.z+I（jdate.z^2）+I（jdate.z^3）+（1 |面积/场地ID）
数据：sodpYN
AIC BIC logLik偏差df.resid
1260.8   1295.1   -624.4   1248.8     2246 
标度残差：
最小1季度中值3季度最大值
-2.0997 -0.3218 -0.2013 -0.1238  9.4445 
随机效应：
组名为Variance Std.Dev。
站点ID:area（Intercept）1.6452 1.2827
面积（截距）0.6242 0.7901
OB数量：2252，组：SiteID:area，27；区域，9
固定效果：
估计标准误差z值Pr（>z）
（截距）-2.96778 0.39190-7.573 3.65e-14***
jdate.z-0.72258 0.17915-4.033 5.50e-05***
I（jdate.z^2）0.10091 0.080681.251 0.21102
I（jdate.z^3）0.25025 0.08506 2.942 0.00326**
---
签名。代码：0'***'0.001'***'0.01'*'0.05'.'0.1''1
固定效应的相关性：
（Intr）jdat.z I（.^2）
jdate.z 0.078
I（jdat.z^2）-0.222-0.154
I（jdat.z^3）-0.071-0.9100.199
glmmTMB模型+摘要：

Tyntest<- glmmTMB(MYOSOD.P ~ jdate.z + I(jdate.z^2) + I(jdate.z^3) + 
                (1|area/SiteID), family = binomial("logit"), data = sodpYN)

> summary(Tyntest)
 Family: binomial  ( logit )
Formula:          MYOSOD.P ~ jdate.z + I(jdate.z^2) + I(jdate.z^3) + (1 | area/SiteID)
Data: sodpYN

     AIC      BIC   logLik deviance df.resid 
  1260.8   1295.1   -624.4   1248.8     2246 

Random effects:

Conditional model:
 Groups      Name        Variance Std.Dev.
 SiteID:area (Intercept) 1.6490   1.2841  
 area        (Intercept) 0.6253   0.7908  
Number of obs: 2252, groups:  SiteID:area, 27; area, 9

Conditional model:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)  -2.96965    0.39638  -7.492 6.78e-14 ***
jdate.z      -0.72285    0.18250  -3.961 7.47e-05 ***
I(jdate.z^2)  0.10096    0.08221   1.228  0.21941    
I(jdate.z^3)  0.25034    0.08662   2.890  0.00385 ** 
---

Tyntest摘要（Tyntest）
家庭：二项式（logit）
公式：MYOSOD.P~jdate.z+I（jdate.z^2）+I（jdate.z^3）+（1 |面积/场地ID）
数据：sodpYN
AIC BIC logLik偏差df.resid
1260.8   1295.1   -624.4   1248.8     2246 
随机效应：
条件模型：
组名为Variance Std.Dev。
站点ID:area（Intercept）1.6490 1.2841
面积（截距）0.6253 0.7908
OB数量：2252，组：SiteID:area，27；区域，9
条件模型：
估计标准误差z值Pr（>z）
（截距）-2.969650.39638-7.4926.78e-14***
jdate.z-0.72285 0.18250-3.9617.47e-05***
I（jdate.z^2）0.10096 0.08221 1.228 0.21941
I（jdate.z^3）0.25034 0.08662 2.890 0.00385**
---
预测产出

testg<-ggpredict(yntest, terms ="jdate.z[all]")
> testg

# Predicted probabilities of MYOSOD.P
# x = jdate.z

     x predicted std.error conf.low conf.high
 -1.95     0.046     0.532    0.017     0.120
 -1.51     0.075     0.405    0.036     0.153
 -1.03     0.084     0.391    0.041     0.165
 -0.58     0.072     0.391    0.035     0.142
 -0.14     0.054     0.390    0.026     0.109
  0.35     0.039     0.399    0.018     0.082
  0.79     0.034     0.404    0.016     0.072
  1.72     0.067     0.471    0.028     0.152

Adjusted for:
* SiteID = 0 (population-level)
*   area = 0 (population-level)

Standard errors are on link-scale (untransformed).

testgTMB<- ggpredict(Tyntest, "jdate.z[all]")
> testgTMB

# Predicted probabilities of MYOSOD.P
# x = jdate.z

     x predicted std.error conf.low conf.high
 -1.95     0.444     0.826    0.137     0.801
 -1.51     0.254     0.612    0.093     0.531
 -1.03     0.136     0.464    0.059     0.280
 -0.58     0.081     0.404    0.038     0.163
 -0.14     0.054     0.395    0.026     0.110
  0.35     0.040     0.402    0.019     0.084
  0.79     0.035     0.406    0.016     0.074
  1.72     0.040     0.444    0.017     0.091

Adjusted for:
* SiteID = NA (population-level)
*   area = NA (population-level)

Standard errors are on link-scale (untransformed).

testg testg
#MYOSOD的预测概率
#x=jdate.z
x预测标准错误配置低配置高
-1.95     0.046     0.532    0.017     0.120
-1.51     0.075     0.405    0.036     0.153
-1.03     0.084     0.391    0.041     0.165
-0.58     0.072     0.391    0.035     0.142
-0.14     0.054     0.390    0.026     0.109
0.35     0.039     0.399    0.018     0.082
0.79     0.034     0.404    0.016     0.072
1.72     0.067     0.471    0.028     0.152
调整为：
*SiteID=0（总体级别）
*面积=0（人口水平）
标准误差在链接范围内（未转换）。
testgTMB testgTMB
#MYOSOD的预测概率
#x=jdate.z
x预测标准错误配置低配置高
-1.95     0.444     0.826    0.137     0.801
-1.51     0.254     0.612    0.093     0.531
-1.03     0.136     0.464    0.059     0.280
-0.58     0.081     0.404    0.038     0.163
-0.14     0.054     0.395    0.026     0.110
0.35     0.040     0.402    0.019     0.084
0.79     0.035     0.406    0.016     0.074
1.72     0.040     0.444    0.017     0.091
调整为：
*SiteID=NA（总体级别）
*面积=NA（人口水平）
标准误差在链接范围内（未转换）。
估计完全不同，我不知道为什么。 我尝试过使用CRAN的ggeffects包和开发者版本，以防发生任何变化。事实并非如此。我正在使用最新版本的glmmTMB

这是我第一次在这里提问，请让我知道我是否应该提供更多信息来帮助解释问题

我检查了，当使用predict而不是ggpredict时，问题是相同的，这意味着这是一个glmmTMB问题？ GLMER：

dayplotg我联系了ggpredict开发人员，发现如果我在glmmTMB模型中使用
poly（jdate.z，3）
而不是
jdate.z+I（jdate.z^2）+I（jdate.z^3）
，那么glmer和glmmTMB的预测是相同的


即使我能够回答自己的问题，我也会留下这篇帖子，以防以后有人问这个问题。
如果你直接使用
predict（）
和
type=“response”
你看到类似的问题了吗？注意：对于merMod对象，您需要使用
re.form=NA
进行人口级别预测，但对于glmmTMB对象，您必须手动将分组变量设置为NA才能获得相同的结果（请参见
predict.glmmTMB
的帮助页面）。是的，使用predict时是相同的，我编辑了上述问题以反映这一点。所以这似乎是glmmTMB的问题？好吧，现在我已经详细阅读了glmmTMB的文档，它说“在不同的组件中具有相同数据相关基类型的不同版本的模型（例如公式=y~多边形（x，3），dispformula=~多边形（x，2））可能不会产生正确的预测。”Per
r
tag（悬停查看）：对数据使用
dput（）
，并使用
library（）
calls.aa指定所有非基本包，并且此错误（您的原始代码应该可以工作，使用
poly（）
是一种变通方法）应该很快在开发版本中修复：

 dayplotg<-expand.grid(jdate.z=seq(min(sodp$jdate.z), max(sodp$jdate.z), length=92))
    Dfitg<-predict(yntest, re.form=NA, newdata=dayplotg, type='response')
    dayplotg<-data.frame(dayplotg, Dfitg)
    head(dayplotg)
    > head(dayplotg)
        jdate.z      Dfitg
    1 -1.953206 0.04581691
    2 -1.912873 0.04889584
    3 -1.872540 0.05195598
    4 -1.832207 0.05497553
    5 -1.791875 0.05793307
    6 -1.751542 0.06080781



dayplot<-expand.grid(jdate.z=seq(min(sodp$jdate.z), max(sodp$jdate.z), length=92), 
                     SiteID=NA,
                     area=NA) 

Dfit<-predict(Tyntest,  newdata=dayplot, type='response')
head(Dfit)

dayplot<-data.frame(dayplot, Dfit)
head(dayplot)
> head(dayplot)
    jdate.z SiteID area      Dfit
1 -1.953206     NA   NA 0.4458236
2 -1.912873     NA   NA 0.4251926
3 -1.872540     NA   NA 0.4050944
4 -1.832207     NA   NA 0.3855801
5 -1.791875     NA   NA 0.3666922
6 -1.751542     NA   NA 0.3484646