R中的GLM：来自glmer-summary和效果包的估计之间的差异

我使用lme4包中的glmer()设置R中的GLMM。我使用效果包来计算固定效果的估计值和CI。我是GLMMs的新手，所以我的问题是effects包提供的估算值是如何计算的，并且它们与glmer中的log-means不同？R中的GLM：来自glmer-summary和效果包的估计之间的差异

例如，如果我跑

Model = glmer(response ~ fixed1 + fixed2 + (1 | random), data=df, family = poisson)

摘要（模型）返回以下结果：

   Estimate  Std. Error  z value  Pr(>|z|) 
(Intercept)  -0.1459  0.4863  -0.300  0.764 
fixed1_level2 0.3044  0.4479  0.680  0.497 
fixed2_level2 0.2298  0.3212  0.716  0.474 
fixed2_level3 0.3576  0.3368  1.062  0.288

鉴于摘要（allEffects（型号））返回此：

fixed1 effect 

fixed1_level1  fixed1_level2 
1.125860   1.526514 

fixed2 effect 

fixed2_level1  fixed2_level2  fixed2_level3 
1.115492   1.403738   1.594999

来源

2017-07-20 HerthaBSC

一个小例子会很有帮助。 'effects'包构造了glmer（）'fit的参数估计的线性组合，对应于感兴趣的效果... –

在我的文章中增加了示例 – HerthaBSC

对于什么是值得的，这个问题不是特定于混合模型 - 它将适用于任何个广义的线性模型。

R中的分类预测变量模型的标准参数化（处理对比）是截距项给出了“线性预测变量”或“链接”比例因子的第一级预期值（日志规模在这种情况下），而第二个和随后的术语给出了第二，第三......级别的预期值与第一级别之间的差异（再次以对数标度）。因此（如果参数是b0,b1,b2）第一级的预测值是exp(b0)，第二级的预测值是exp(b0+b1)，第三级的预测值是exp(b0+b2)。测试你的例子：

> exp(-2.4858) 
[1] 0.08325892 
> exp(-2.4858+1.6187) 
[1] 0.4201683 
> exp(-2.4858+0.8966) 
[1] 0.2040888

这些匹配达到舍入误差。

来源

2017-07-21 02:37:54

您的解释对我有帮助！但是，如果我在模型中包含多个效果，为什么'summary'中只有一个截取值？然而，在这种情况下，“效果”包会返回各种效果的第一级别的不同估计值。 – HerthaBSC

你能编辑你的问题来提供一个模型中有几个效果的例子吗？这是相当直接的，但会更容易用一个例子来解释。 –

我加了个适当的例子。 – HerthaBSC

R中的GLM：来自glmer-summary和效果包的估计之间的差异

回答

相关问题