R 有序和非有序因素的解释,与模型总结中的数值预测
我安装了一个模型,其中: Y~A+A^2+B+混合效应(C) Y是连续的 A是连续的 B实际上指的是一天,现在看起来是这样的:R 有序和非有序因素的解释,与模型总结中的数值预测,r,statistics,modeling,categorical-data,R,Statistics,Modeling,Categorical Data,我安装了一个模型,其中: Y~A+A^2+B+混合效应(C) Y是连续的 A是连续的 B实际上指的是一天,现在看起来是这样的: Levels: 1 < 2 < 3 < 4 < 5 < 6 < 7 < 8 < 9 < 11 < 12 Linear mixed model fit by REML ['lmerMod'] Formula: Y ~ A + I(A^2) + B + (1 | mixed.effect.C) Fixed ef
Levels: 1 < 2 < 3 < 4 < 5 < 6 < 7 < 8 < 9 < 11 < 12
Linear mixed model fit by REML ['lmerMod']
Formula: Y ~ A + I(A^2) + B + (1 | mixed.effect.C)
Fixed effects:
Estimate Std. Error t value
(Intercept) 19.04821 0.40926 46.54
A -151.01643 7.19035 -21.00
I(A^2) 457.19856 31.77830 14.39
B.L -3.00811 0.29688 -10.13
B.Q -0.12105 0.24561 -0.49
B.C 0.35457 0.24650 1.44
B^4 0.09743 0.24111 0.40
B^5 -0.08119 0.22810 -0.36
B^6 0.19640 0.22377 0.88
B^7 0.02043 0.21016 0.10
B^8 -0.48931 0.20232 -2.42
B^9 -0.43027 0.17798 -2.42
B^10 -0.13234 0.15379 -0.86
什么是L、Q和C?我需要知道每增加一天(B)对响应(Y)的影响。如何从输出中获取此信息
当我将B视为.numeric时,我得到如下输出:
Fixed effects:
Estimate Std. Error t value
(Intercept) 20.79679 0.39906 52.11
A -152.29941 7.17939 -21.21
I(A^2) 461.89157 31.79899 14.53
B -0.27321 0.02391 -11.42
为了得到每增加一天(B)对响应(Y)的影响,我是否应该将B的系数乘以B(天数)?不确定如何处理此输出…这实际上不是一个混合的模型特定问题,而是关于R中模型参数化的一般问题 让我们试试一个简单的例子
set.seed(101)
d <- data.frame(x=sample(1:4,size=30,replace=TRUE))
d$y <- rnorm(30,1+2*d$x,sd=0.01)
x作为(无序/常规)因子
截距指定因子基线水平(x=1
)中y
的预期值;其他参数指定当x
采用其他值时y
的预期值之间的差异
x作为有序因子
现在,截距指定了平均因子水平上的y
值(介于2和3之间);L
(线性)参数给出了线性趋势的度量值(我不太确定是否可以解释特定的值……,Q
和C
指定二次项和三次项(在这种情况下,由于模式是线性的,所以它们接近于零);如果有更多的级别,高阶对比度将被编号为5、6、
连续差异对比
此对比度将参数指定为连续级别之间的差值,这些值都是(大约)2的常数值。这些是正交多项式对比度。大多数人不想使用有序因子,特别是如果他们还不了解这些术语的话。如果你用二次模型进行推理,请学会使用
poly()
而不是I()
。嗨,本,谢谢你快速、建设性的回答。我完全理解如何解释正则因子的系数,以及给定单个数值解释变量的斜率。所以,如果我有多个解释变量,都是数字,那怎么办?对于Y的单个值,我只是简单地将a的系数乘以a的每个值,将B的系数乘以B的每个值吗?对于大约800个数据点,“B”可以是介于1和12之间的任何数字,“A”在0.0100和0.200之间连续变化。您好。我在理解你答案中的“x作为有序因子”部分时有点困难,所以我问了一个问题。你介意看一下吗?
coef(lm(y~x,d))
## (Intercept) x
## 0.9973078 2.0001922
coef(lm(y~factor(x),d))
## (Intercept) factor(x)2 factor(x)3 factor(x)4
## 3.001627 1.991260 3.995619 5.999098
coef(lm(y~ordered(x),d))
## (Intercept) ordered(x).L ordered(x).Q ordered(x).C
## 5.998121421 4.472505514 0.006109021 -0.003125958
coef(lm(y~factor(x),d,contrasts=list(`factor(x)`=MASS::contr.sdif)))
## (Intercept) factor(x)2-1 factor(x)3-2 factor(x)4-3
## 5.998121 1.991260 2.004359 2.003478