Que interpretação têm os parâmetros de um modelo linear generalizado com codificação de efeitos?

library(lme4)
    out <- glmer(cbind(incidence, size - incidence)
                 ~ period
                 + (1 | herd),
                 data = cbpp,
                 family = binomial,
                 contrasts = list(period = "contr.sum"))

summary(out)
Fixed effects:
            Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.32337    0.22129 -10.499  < 2e-16 ***
period1      0.92498    0.18330   5.046 4.51e-07 ***
period2     -0.06698    0.22845  -0.293    0.769
period3     -0.20326    0.24193  -0.840    0.401

Eu nunca estava em uma situação em que precisava ajustar um modelo linear generalizado com codificação de efeito ( contr.sumpara Rusuários). Posso aplicar a mesma interpretação que no caso do modelo linear? Em um modelo linear normal, a intercepção seria a grande média e o s (parâmetros para , , e os efeitos, isto é, como os níveis dos factores desviar-se da média geral.$\beta$period1period2period3period4 = (Intercept) - period1 - period2 - period3

Aqui está como eu acho que a interpretação análoga para modelos lineares generalizados ocorre. (Vou exponenciar todos os parâmetros e, portanto, transformar as probabilidades de log (-ratios) em probabilidades (-ratios).) A interceptação seria então as chances gerais de sucesso versus falha ( seguindo a terminologia binomial clássica) e os são os log-odds-ratios . E temos as probabilidades de, por exemplo , adicionando e depois exponenciando: . As realmente as probabilidades gerais / médias e as sβ (interceptação) + período1 exp ( (interceptação) + período1 ) (interceptação) $\exp((\text{Intercept}))$$\beta$period1$\text{(Intercept)}+\text{period1}$$\exp(\text{(Intercept)}+\text{period1})$$\text{(Intercept)}$$\beta$odds ratio ?

Na codificação de efeitos, a interceptação no resumo da tabela de resumo (saída) é o logit médio (log-odds ou o log of odds ratio) em todos os quatro períodos do seu caso, e cada um dos outros efeitos é a diferença logit do período correspondente em relação ao logit médio.

Você pode verificar facilmente sua interpretação comparando os resultados atuais com um método de codificação diferente, como codificação fictícia em seus dados:

out2 <- glmer(cbind(incidence, size - incidence)
                 ~ period
                 + (1 | herd),
                 data = cbpp,
                 family = binomial,
                 contrasts = list(period = "contr.treatment"))

summary(out2)