如何预测和绘制lmer或glmer中的非线性变化斜率？

本文介绍了如何预测和绘制lmer或glmer中的非线性变化斜率？的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！ 问题描述 我的目标是使用 lmer 和 glmer lme4 包。为了使这个具体和明确，我在这里给出一个玩具的例子与mtcars数据集： 这是我通常从变截距，变斜率多级模型创建预测值（这段代码应该可以正常工作）： ＃loading内置车数据集数据（mtcars） ＃齿轮列将是组级别因子，因此我们将在齿轮箱内嵌套＃ 类型 mtcars $齿轮< - as.factor（mtcars $ gear） ＃拟合变化斜率，变截距模型m ＃创建预测帧 newdata< - with（mtcars，expand.grid（wt =独特（wt），齿轮=唯一（齿轮）， hp =平均（hp））） ＃计算预测新数据$ pred ＃quick ggplot2 graph p + geom_line（）+ ggtitle（Varying Slopes） 工作，但如果我想从非线性变截距，变斜率创建和图形预测，那么它显然会失败。为了简单和可重复性，下面是使用mtcars数据集的绊脚石： ＃关键问题：如何创建预测if我想检查一个非线性的＃变化斜率？ ＃为非线性关系创建平方项＃NB：通常我使用`poly`函数 mtcars $ wtsq< - （mtcars $ wt）^ 2 ＃拟合变斜率，具有非线性趋势的变截距模型m -lmer（mpg〜1 + wt + wtsq + hp +（1 + wt + wtsq data（mtcars）） ＃创建预测帧 newdata wtsq =独特（wtsq），齿轮=唯一（齿轮）， hp =平均（hp））） ＃计算预测新数据$ pred ＃quick ggplot2 graph ＃显然不正确（见下图）p < - ggplot（newdata，aes（x = wt，y = pred，color = gear））p + geom_line（）+ ggtitle（Varying Slopes） / pre> 很明显，预测帧设置不正确。在拟合R中的非线性变截距，变斜率多级模型时如何创建和绘制预测值的任何想法？感谢！解决方案问题是，当您使用 expand.grid 使用 wt 和 wt ^ 2 ，您可以创建 wt 和 wt ^ 2 。您的代码的这种修改工作： $ p $ newdata gear = unique（gear）， hp = mean（hp））） newdata $ wtsq< - newdata $ wt ^ 2 newdata $ pred< ; - 预测（m，newdata） p p + geom_line + ggtitle（Varying Slopes） My goal is to calculate predicted values from a varying-intercept, varying-slope multilevel model using the lmer and glmer functions of the lme4 package in R. To make this concrete and clear, I present here a toy example with the "mtcars" data set:Here's how I usually create predicted values from a varying-intercept, varying-slope multilevel model (this code should work just fine):# loading in-built cars datasetdata(mtcars)# the "gear" column will be the group-level factor, so we'll have cars nested # within "gear" typemtcars$gear <- as.factor(mtcars$gear)# fitting varying-slope, varying-intercept modelm <- lmer(mpg ~ 1 + wt + hp + (1 + wt|gear), data=mtcars)# creating the prediction framenewdata <- with(mtcars, expand.grid(wt=unique(wt), gear=unique(gear), hp=mean(hp)))# calculating predictionsnewdata$pred <- predict(m, newdata, re.form=~(1 + wt|gear))# quick ggplot2 graphp <- ggplot(newdata, aes(x=wt, y=pred, colour=gear))p + geom_line() + ggtitle("Varying Slopes")The above R code should work, but if I want to create and graph predictions from a non-linear varying-intercept, varying-slope then it clearly fails. For simplicity and reproducibility, here's the stumbling block using the "mtcars" data set:# key question: how to create predictions if I want to examine a non-linear # varying slope?# creating a squared term for a non-linear relationship# NB: usually I use the `poly` functionmtcars$wtsq <- (mtcars$wt)^2# fitting varying-slope, varying-intercept model with a non-linear trendm <- lmer(mpg ~ 1 + wt + wtsq + hp + (1 + wt + wtsq|gear), data=mtcars)# creating the prediction framenewdata <- with(mtcars, expand.grid(wt=unique(wt), wtsq=unique(wtsq), gear=unique(gear), hp=mean(hp)))# calculating predictionsnewdata$pred <- predict(m, newdata, re.form=~(1 + wt + wtsq|gear))# quick ggplot2 graph # clearly not correct (see the graph below)p <- ggplot(newdata, aes(x=wt, y=pred, colour=gear))p + geom_line() + ggtitle("Varying Slopes")Clearly the prediction frame is not set up correctly. Any ideas on how to create and graph predicted values when fitting a non-linear varying-intercept, varying-slope multilevel model in R? Thanks! 解决方案 The issue is that when you use expand.grid with both wt and wt^2, you create all possible combinations of wt and wt^2. This modification of your code works:newdata <- with(mtcars, expand.grid(wt=unique(wt), gear=unique(gear), hp=mean(hp)))newdata$wtsq <- newdata$wt^2newdata$pred <- predict(m, newdata)p <- ggplot(newdata, aes(x=wt, y=pred, colour=gear, group=gear))p + geom_line() + ggtitle("Varying Slopes") 这篇关于如何预测和绘制lmer或glmer中的非线性变化斜率？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！