Извличане на прогнозна лента от lme fit

Имам следния модел

x  <- rep(seq(0, 100, by=1), 10)
y  <- 15 + 2*rnorm(1010, 10, 4)*x + rnorm(1010, 20, 100)
id <- NULL
for(i in 1:10){ id <- c(id, rep(i,101)) }
dtfr <- data.frame(x=x,y=y, id=id)
library(nlme)
with(dtfr, summary(     lme(y~x, random=~1+x|id, na.action=na.omit)))
model.mx <- with(dtfr, (lme(y~x, random=~1+x|id, na.action=na.omit)))
pd       <- predict( model.mx, newdata=data.frame(x=0:100), level=0)
with(dtfr, plot(x, y))
lines(0:100, predict(model.mx, newdata=data.frame(x=0:100), level=0), col="darkred", lwd=7)

въведете описание на изображението тук

с predict и level=0 мога да начертая средния отговор на населението. Как мога да извлека и начертая 95% доверителни интервали / ленти за прогнозиране от обекта nlme за цялата популация?


r prediction confidence-interval mixed-models
person ECII    schedule 16.01.2013    source източник
comment
Добър въпрос! Ако разбирате, опитайте се да имате еквивалент на това curve(predict(model.lm, data.frame(x=x),interval ='confidence'),add=T), където model.lm например е lm(y~x)   -  person agstudy    schedule 16.01.2013
comment
да С долния и горния CI.   -  person ECII    schedule 16.01.2013
comment
Мисля, че дори за един лм е скучна работа да го вземеш. има функция intervals .lme, но тя не дава на групата увереност само една точка.   -  person agstudy    schedule 16.01.2013
comment
intervals получава CI на оценките/коефициентите на съвпаденията. Какви са ми необходими CI на y за всяко дадено x.   -  person ECII    schedule 16.01.2013
comment
всъщност, @ECII опита ли по трудния начин ...имам предвид да изчислиш лентата сам..?   -  person agstudy    schedule 17.01.2013
comment
Какво имаш предвид под себе си?   -  person ECII    schedule 21.01.2013
comment
Прочетете често задавани въпроси за смесени модели r-sig.   -  person Roland    schedule 21.01.2013

Отговори (2)


arrow_upward
24
arrow_downward

Предупреждение: Прочетете тази тема на r-sig-смесени модели, преди да направите това. Бъдете много внимателни, когато интерпретирате получената прогнозна лента.

От r-sig -смесени модели ЧЗВ коригирани към вашия пример:

set.seed(42)
x <- rep(0:100,10)
y <- 15 + 2*rnorm(1010,10,4)*x + rnorm(1010,20,100)
id<-rep(1:10,each=101)

dtfr <- data.frame(x=x ,y=y, id=id)

library(nlme)

model.mx <- lme(y~x,random=~1+x|id,data=dtfr)

#create data.frame with new values for predictors
#more than one predictor is possible
new.dat <- data.frame(x=0:100)
#predict response
new.dat$pred <- predict(model.mx, newdata=new.dat,level=0)

#create design matrix
Designmat <- model.matrix(eval(eval(model.mx$call$fixed)[-2]), new.dat[-ncol(new.dat)])

#compute standard error for predictions
predvar <- diag(Designmat %*% model.mx$varFix %*% t(Designmat))
new.dat$SE <- sqrt(predvar) 
new.dat$SE2 <- sqrt(predvar+model.mx$sigma^2)

library(ggplot2) 
p1 <- ggplot(new.dat,aes(x=x,y=pred)) + 
geom_line() +
geom_ribbon(aes(ymin=pred-2*SE2,ymax=pred+2*SE2),alpha=0.2,fill="red") +
geom_ribbon(aes(ymin=pred-2*SE,ymax=pred+2*SE),alpha=0.2,fill="blue") +
geom_point(data=dtfr,aes(x=x,y=y)) +
scale_y_continuous("y")
p1

плот

person Roland    schedule 21.01.2013
comment
+1, че ми спести неприятностите да го направя или да се чувствам виновен, че не съм го направил. Обърнете внимание (както е коментирано в ЧЗВ), че това отчита само несигурността на фиксираните ефекти, зависеща от оценките на дисперсиите на случаен ефект и BLUP/условни режими - person Ben Bolker; 21.01.2013
comment
Би било добре да имате кръстосана препратка от вашите ЧЗВ към тук. Спомням си, че преоткривах това колело доста пъти. - person Dieter Menne; 21.01.2013
comment
Не мисля, че проф. Бейтс би включил това в predict.lme, но би било хубаво, ако някой пакет може да осигури тази функционалност (разбира се с ясни предупреждения относно статистическите ограничения в помощния файл). - person Roland; 22.01.2013
comment
Някой от вас има ли нещо против да обясни малко какво се случва в newdat? Този код приложим ли е за произволен брой регресори? - person ECII; 22.01.2013
comment
@Roland: Страхувам се, че Дъглас Бейтс ще превключи в своя критичен режим и ще попита За какво? Сигурни ли сте, че вашите нестатистически клиенти четат правилно графиката?. Условието на оценките е проклето грозна концепция, която трябва да се обясни на клиничните изследователи. - person Dieter Menne; 22.01.2013

arrow_upward
2
arrow_downward

Съжалявам, че се връщам към толкова стара тема, но това може да е адрес на коментар тук:

би било хубаво, ако някой пакет може да осигури тази функционалност

Тази функционалност е включена в ggeffects-package, когато използвате type = "re" (който след това ще включва произволни отклонения на ефекта, а не само остатъчни отклонения, което обаче е същото в този конкретен пример).

library(nlme)
library(ggeffects)

x  <- rep(seq(0, 100, by = 1), 10)
y  <- 15 + 2 * rnorm(1010, 10, 4) * x + rnorm(1010, 20, 100)
id <- NULL
for (i in 1:10) {
  id <- c(id, rep(i, 101))
}
dtfr <- data.frame(x = x, y = y, id = id)
m <- lme(y ~ x,
         random =  ~ 1 + x | id,
         data = dtfr,
         na.action = na.omit)

ggpredict(m, "x") %>% plot(rawdata = T, dot.alpha = 0.2)


ggpredict(m, "x", type = "re") %>% plot(rawdata = T, dot.alpha = 0.2)

Създадено на 2019-06-18 от reprex пакет (v0.3.0)

person Daniel    schedule 18.06.2019