GLMM - 跨软件的估计平均值相似，但固定效应估计不同

问题描述 投票：0回答：1

我在 R 中使用 glmer（来自 lme4）运行了 GLMM。与估计的边际均值相比，固定效应估计与预期非常不同（小得多）。

GLMM 输出

`Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) \['glmerMod'\]
Family: inverse.gaussian  ( identity )
Formula: latency \~ Con_shape \* Cue + (1 + Con_shape | subject)
Data: SN_P_PMT_match_data_rt
Control: glmerControl(optimizer = "bobyqa", optCtrl = list(maxfun = 2e+05))

     AIC      BIC   logLik deviance df.resid 

81984.2  82071.9 -40979.1  81958.2     6269

Scaled residuals:
Min      1Q  Median      3Q     Max
\-3.1154 -0.6553 -0.1732  0.4628  4.9629

Random effects:
Groups   Name               Variance  Std.Dev. Corr  
subject  (Intercept)        1.718e+03 41.44726  
Con_shapeS vs. F   4.076e+03 63.84257  0.02  
Con_shapeS vs. Str 4.896e+03 69.97401  0.18 -0.57
Residual                    7.191e-05  0.00848  
Number of obs: 6282, groups:  subject, 42

Fixed effects:
Estimate Std. Error t value Pr(\>|z|)  
(Intercept)                       796.370     14.132  56.354  \< 2e-16 \*\*\*
Con_shapeS vs. F                   16.932     13.337   1.270    0.204  
Con_shapeS vs. Str                 95.656     15.344   6.234 4.55e-10 \*\*\*
CueSad vs Neu                      -3.186      4.045  -0.788    0.431  
Con_shapeS vs. F:CueSad vs Neu     -7.216     10.676  -0.676    0.499  
Con_shapeS vs. Str:CueSad vs Neu   -1.303     11.727  -0.111    0.911
-

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
(Intr) C_Sv.F C_Sv.S CSdvsN C_vFvN
Cn_shpSvs.F  0.088  
Cn_shpSvs.S  0.028 -0.271  
CueSadvsNeu -0.014  0.016  0.001  
C_Sv.F:CSvN -0.096 -0.099 -0.055  0.019  
C_Sv.S:CSvN  0.061  0.129  0.001  0.130 -0.548`

EMM

`Con_shape Cue       emmean       SE  df asymp.LCL asymp.UCL
self      sad     728.7943 13.14691 Inf  703.0269  754.5618
friend    sad     785.5311 13.31949 Inf  759.4254  811.6369
stranger  sad     811.8101 13.48155 Inf  785.3868  838.2334
self      neutral 733.1200 13.98504 Inf  705.7098  760.5302
friend    neutral 781.1784 14.08376 Inf  753.5748  808.7821
stranger  neutral 810.0302 14.53561 Inf  781.5409  838.5194`

从这里看我知道固定效应和 EMM 可能有所不同，但我相信我已经设置了对比编码，以便系数应与 EMM 保持一致。因此，我担心模型存在问题。为了检查这一点，我在 Jamovi 中运行了 GLMM，它使用 GAMLj 包，系数是我所期望的并与 EMM 保持一致。

在此输入图像描述 在此输入图片描述

因此我想知道是什么导致了这种差异？

变量在 R 中的编码如下：

#Contrast coding - categorical variables (non-orthogonal)# `contrasts(data$Con_shape) <- cbind("S vs. F" = c(-.5,.5,0), "S vs. Str" = c(-.5,0,.5)) S vs. F S vs. Str self -0.5 -0.5 friend 0.5 0.0 stranger 0.0 0.5 contrasts(data$Cue) <- cbind("Sad vs Neu" = c(-.5,.5)) Sad vs Neu sad -0.5 neutral 0.5` 
这是 GLMM 代码：


`#Run glmer
model <- glmer(latency ~ Con_shape*Cue  +
                          (1+ Con_shape|subject),
                          data=data,
                          family=inverse.gaussian(link="identity"),
                          control=glmerControl
                          (optimizer="bobyqa",optCtrl=list(maxfun=2e5)))`

我想知道差异是否来自使用缩放对比度编码而不是未缩放（-1, 1, 0）？


我尝试使用未缩放的对比度编码，这导致了在查看 EMM 绘图时所预期的显着效果，但系数又非常不同（加上奇点问题）。


未缩放的对比度

contrasts(SN_P_PMT_data$Con_shape) <- cbind("S vs. F"   = c(-1,1,0), 
                                             "S vs. Str" = c(-1,0,1))
 
 contrasts(SN_P_PMT_data$Cue) <- cbind("Sad vs Neu" = c(-1,1)) 

GLMM 输出

`Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) ['glmerMod']
 Family: inverse.gaussian  ( identity )
Formula: latency ~ 1 + Con_shape * Cue + (1 + Con_shape | subject)
   Data: SN_P_PMT_match_data_rt
Control: glmerControl(optimizer = "bobyqa", optCtrl = list(maxfun = 2e+05))

     AIC      BIC   logLik deviance df.resid 
 82171.8  82259.5 -41072.9  82145.8     6269 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-3.0716 -0.6663 -0.1754  0.4809  5.3294 

Random effects:
 Groups   Name               Variance  Std.Dev.  Corr     
 subject  (Intercept)        1.734e+03 41.642073          
          Con_shapeS vs. F   5.894e+00  2.427823 1.00     
          Con_shapeS vs. Str 8.270e+02 28.758130 0.19 0.19
 Residual                    7.405e-05  0.008605          
Number of obs: 6282, groups:  subject, 42

Fixed effects:
                                 Estimate Std. Error t value Pr(>|z|)    
(Intercept)                       786.600     13.085  60.113  < 2e-16 ***
Con_shapeS vs. F                   10.198      3.057   3.336 0.000851 ***
Con_shapeS vs. Str                 43.327      8.685   4.989 6.07e-07 ***
CueSad vs Neu                      -1.804      2.118  -0.852 0.394476    
Con_shapeS vs. F:CueSad vs Neu     -1.788      2.972  -0.602 0.547312    
Con_shapeS vs. Str:CueSad vs Neu   -0.504      3.137  -0.161 0.872377    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
            (Intr) C_Sv.F C_Sv.S CSdvsN C_vFvN
Cn_shpSvs.F  0.220                            
Cn_shpSvs.S  0.127 -0.150                     
CueSadvsNeu -0.004  0.001 -0.007              
C_Sv.F:CSvN  0.001 -0.009  0.013  0.009       
C_Sv.S:CSvN  0.013  0.012 -0.006  0.150 -0.574
optimizer (bobyqa) convergence code: 0 (OK)
boundary (singular) fit: see help('isSingular')`

    

	


output

lme4

mixed-models

emmeans

jamovi


1个回答




    
    
    

        

            

                

                    
0
投票

                    
                

            

        

        
您没有显示产生所示输出的函数调用；所以我只能猜测你做了什么。


也就是说，我想说，除非模型中只有一个因素，否则回归系数的解释很复杂。


在过去，人们做出了一个非常不幸的选择，即使用“对比”一词来创建因子虚拟变量的方法。通常（但并非总是），回归系数确实包含对比度的估计，但并不总是似乎由编码暗示的估计，因为虚拟编码和系数之间存在反比关系。在某些正交编码中，您正在估计可比较的对比度，但它们的缩放比例不同。


但正如我一开始所说的，你真的不需要费力地穿过那些杂草。如果您理解并信任边际均值，它们将比回归系数给出更清晰的解释。

    

	

    

    


  

  

    
最新问题


  





  

    © www.soinside.com 2019 - 2024. All rights reserved.