如何预测和绘制lmer或glmer中的非线性变化斜率？ [英] How to predict and graph non-linear varying slopes in lmer or glmer?

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 < -  lmer（mpg〜1 + wt + hp +（1 + wt），data = mtcars）
 
＃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 <预测（m，newdata，re.form =〜（1 + wt））
 
＃quick ggplot2 graph 
p < -  ggplot（newdata，aes（x = wt，y = ），
 + geom_line（）+ ggtitle（Varying Slopes）
  

<上面的R代码应该是这样的：

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 < -  with（mtcars，expand.grid（wt = unique（wt），
 wtsq =独特（wtsq），
齿轮=唯一（齿轮），
 hp =平均（hp）））
 
＃计算预测
新数据$ pred < - 预测（m，newdata，re.form =〜（1 + wt + wtsq | gear））
 
＃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 < -  with（mtcars，expand.grid（wt = unique（wt）， 
 gear = unique（gear），
 hp = mean（hp）））
 newdata $ wtsq<  -  newdata $ wt ^ 2 
 
 newdata $ pred< ;  - 预测（m，newdata）
 
p < -  ggplot（newdata，aes（x = wt，y = pred，color = gear，group = gear））
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 dataset
data(mtcars)

# the "gear" column will be the group-level factor, so we'll have cars nested 
# within "gear" type
mtcars$gear <- as.factor(mtcars$gear)

# fitting varying-slope, varying-intercept model
m <- lmer(mpg ~ 1 + wt + hp + (1 + wt|gear), data=mtcars)

# creating the prediction frame
newdata <- with(mtcars, expand.grid(wt=unique(wt),
                              gear=unique(gear),
                              hp=mean(hp)))

# calculating predictions
newdata$pred <- predict(m, newdata, re.form=~(1 + wt|gear))

# quick ggplot2 graph
p <- 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` function
mtcars$wtsq <- (mtcars$wt)^2

# fitting varying-slope, varying-intercept model with a non-linear trend
m <- lmer(mpg ~ 1 + wt + wtsq + hp + (1 + wt + wtsq|gear), data=mtcars)

# creating the prediction frame
newdata <- with(mtcars, expand.grid(wt=unique(wt),
                                wtsq=unique(wtsq),
                                gear=unique(gear),
                                hp=mean(hp)))

# calculating predictions
newdata$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^2

newdata$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IT屋！