Visualizando Resultados de Modelos Mistos

Um dos problemas que sempre tive com modelos mistos é descobrir visualizações de dados - do tipo que pode acabar em um papel ou pôster - depois de obter os resultados.

No momento, estou trabalhando em um modelo de efeitos mistos de Poisson com uma fórmula semelhante à seguinte:

a <- glmer(counts ~ X + Y + Time + (Y + Time | Site) + offset(log(people))

Com algo ajustado no glm (), pode-se facilmente usar o predict () para obter previsões para um novo conjunto de dados e criar algo a partir disso. Mas com uma saída como essa - como você construiria algo como um gráfico da taxa ao longo do tempo com as mudanças de X (e provavelmente com um valor definido de Y)? Acho que é possível prever o ajuste bem o suficiente apenas das estimativas de efeitos fixos, mas e o IC de 95%?

Existe algo mais que alguém possa pensar que ajude a visualizar resultados? Os resultados do modelo estão abaixo:

Random effects:
 Groups     Name        Variance   Std.Dev.  Corr          
 Site       (Intercept) 5.3678e-01 0.7326513               
            time        2.4173e-05 0.0049167  0.250        
            Y           4.9378e-05 0.0070270 -0.911  0.172 

Fixed effects:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept) -8.1679391  0.1479849  -55.19  < 2e-16
X            0.4130639  0.1013899    4.07 4.62e-05
time         0.0009053  0.0012980    0.70    0.486    
Y            0.0187977  0.0023531    7.99 1.37e-15

Correlation of Fixed Effects:
         (Intr) Y    time
X      -0.178              
time    0.387 -0.305       
Y      -0.589  0.009  0.085

r data-visualization mixed-model

— Fomite
fonte

(+1) @EpiGrad: Por que você está preocupado com o IC (ou seja, com o erro padrão) das previsões da parte de efeito fixo do seu modelo?

— Boscovich

@andrea Uma resposta intelectual e prática: intelectualmente, geralmente sou a favor de quantificar e visualizar a incerteza quando posso. Praticamente, porque tenho certeza de que um revisor solicitará.

— Fomite 04/10/12

Sim, sim, claro, mas eu quis dizer algo diferente. Meu comentário não foi claro o suficiente, desculpe. Você escreve sua pergunta "mas e o IC 95%?". Meu comentário é: por que você não calcula o erro padrão da previsão a partir da parte de efeito fixo do modelo? Se você conseguir calcular os valores previstos da parte de efeito fixo, também poderá calcular o SE e, portanto, o IC. @EpiGrad

— boscovich

@andrea Ah. A preocupação é que uma das coisas que eu gostaria de prever, o tempo, também tenha um efeito aleatório, com o qual não faço ideia do que fazer.

— Fomite 04/10/12

Bem, você quer prever counts, não time. Você fixa valores de e X, usando a parte de efeitos fixos do seu modelo, você prevê . É verdade que isso está incluído no seu modelo também como um efeito aleatório (assim como a interceptação e ), mas isso não importa aqui porque usar apenas a parte de efeito fixo do seu modelo para a previsão é como definir os efeitos aleatórios para 0 @EpiGradYtimecountstimeY

— boscovich

Prever o countsuso da parte de efeitos fixos do seu modelo significa que você define como zero (ou seja, a média deles) os efeitos aleatórios. Isso significa que você pode "esquecê-los" deles e usar máquinas padrão para calcular as previsões e os erros padrão das previsões (com as quais é possível calcular os intervalos de confiança).

Este é um exemplo usando Stata, mas suponho que possa ser facilmente "traduzido" para o idioma R:

webuse epilepsy, clear
xtmepoisson seizures treat visit || subject: visit
predict log_seiz, xb
gen pred_seiz = exp(log_seiz)
predict std_log_seiz, stdp
gen ub = exp(log_seiz+invnorm(.975)*std_log_seiz)
gen lb = exp(log_seiz-invnorm(.975)*std_log_seiz)

tw (line pred_seiz ub lb visit if treat == 0, sort lc(black black black) ///
 lp(l - -)), scheme(s1mono) legend(off) ytitle("Predicted Seizures") ///
 xtitle("Visit")

O gráfico se refere treat == 0e pretende ser um exemplo ( visitnão é uma variável realmente contínua, mas é apenas para ter uma idéia). As linhas tracejadas são intervalos de confiança de 95%.

insira a descrição da imagem aqui

— Boscovich
fonte