मिश्रित मॉडल परिणामों को विज़ुअलाइज़ करना

Question

एक समस्या जो मैंने हमेशा मिश्रित मॉडल के साथ की है, वह डेटा विज़ुअलाइज़ेशन का पता लगा रही है - उस तरह की जो एक पेपर या पोस्टर पर समाप्त हो सकती है - एक बार परिणाम आने के बाद।

अभी, मैं एक फॉर्मूले के साथ एक पॉइज़न मिश्रित प्रभाव मॉडल पर काम कर रहा हूं, जो निम्न की तरह दिखता है:

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

Glm () में फिट की गई कुछ चीज़ों के साथ एक नए डेटा सेट के लिए भविष्यवाणियां प्राप्त करने के लिए आसानी से (और) कुछ का निर्माण कर सकते हैं। लेकिन इस तरह आउटपुट के साथ - आप समय के साथ एक्स (और वाई के सेट मूल्य के साथ होने की संभावना) के साथ दर के एक भूखंड की तरह कुछ का निर्माण कैसे करेंगे? मुझे लगता है कि कोई भी निश्चित प्रभाव अनुमानों से पर्याप्त रूप से फिट होने की भविष्यवाणी कर सकता है, लेकिन 95% सीआई के बारे में क्या?

क्या कोई और चीज है जो परिणामों की कल्पना करने में मदद कर सकती है? मॉडल के परिणाम नीचे हैं:

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

Comments

(+1) @ ईपीग्रैड: आप अपने मॉडल के निश्चित-प्रभाव वाले हिस्से से भविष्यवाणियों के CI (मानक त्रुटि के बारे में) के बारे में चिंतित क्यों हैं?

— बोसोविच

@andrea एक बौद्धिक उत्तर, और एक व्यावहारिक: बौद्धिक रूप से, मैं आम तौर पर जब मैं कर सकता हूं अनिश्चितता और मात्रात्मकता की कल्पना करता हूं। व्यावहारिक रूप से, क्योंकि मुझे पूरा यकीन है कि एक समीक्षक इसके लिए पूछेगा।

— फोमाइट

हाँ हाँ, ज़रूर, लेकिन मेरा मतलब कुछ अलग था। मेरी टिप्पणी पर्याप्त स्पष्ट नहीं थी, क्षमा करें। आप अपने प्रश्न में लिखते हैं "लेकिन 95% सीआई के बारे में क्या?"। मेरी टिप्पणी है: आप मॉडल के निश्चित-प्रभाव वाले हिस्से से भविष्यवाणी की मानक त्रुटि की गणना क्यों नहीं करते हैं? यदि आप पूर्वानुमानित मानों की गणना करने में सक्षम हैं, तो निश्चित-प्रभाव वाला भाग बनाते हैं, तो आप SE की गणना कर सकते हैं और इस प्रकार, CI। @ ईपीग्रैड

— बोस्कोविच

@ आनंद अह। चिंता की बात यह है कि जिन चीजों की मैं भविष्यवाणी करना चाहता हूं, उनमें से एक का यादृच्छिक प्रभाव भी है, जो कि मुझे नहीं पता कि क्या करना है।

— फोमाइट

खैर, आप भविष्यवाणी करना चाहते हैं counts, नहीं time। आप अपने मॉडल के निश्चित-प्रभाव वाले हिस्से का उपयोग करते हैं X, Yऔर timeआप जो अनुमान लगाते हैं , उसके मूल्यों को ठीक करते हैं counts। यह सच है कि timeआपके मॉडल में एक यादृच्छिक प्रभाव (बस अवरोधक की तरह Y) और भी शामिल है , लेकिन यह यहां कोई फर्क नहीं पड़ता क्योंकि भविष्यवाणी के लिए अपने मॉडल के केवल निश्चित-प्रभाव वाले हिस्से का उपयोग करना यादृच्छिक प्रभावों को 0 पर सेट करने जैसा है। @ ईपीग्रैड

— बोसोविच

Answer 1

भविष्यवाणी counts अपने मॉडल का मतलब है की निश्चित प्रभाव हिस्सा आप शून्य (यानी उनके माध्य) यादृच्छिक प्रभाव के लिए सेट का उपयोग कर। इसका मतलब है कि आप उनके बारे में "भूल" सकते हैं और भविष्यवाणियों की गणना और भविष्यवाणियों के मानक त्रुटियों (जिसके साथ आप विश्वास अंतराल की गणना कर सकते हैं) की गणना करने के लिए मानक मशीनरी का उपयोग करते हैं।

यह Stata का उपयोग करके एक उदाहरण है, लेकिन मुझे लगता है कि इसे आसानी से R भाषा में "अनुवादित" किया जा सकता है:

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")

ग्राफ संदर्भित करता है treat == 0और यह एक उदाहरण होने का इरादा है ( visitयह वास्तव में निरंतर चर नहीं है, लेकिन यह सिर्फ विचार प्राप्त करना है)। धराशायी लाइनें 95% विश्वास अंतराल हैं।