通过分类变量和连续变量的交互来可视化 GLMM 预测

Question

我正在使用 GLMM 在 R 中工作，该 GLMM 混合了连续变量和分类变量以及一些交互。我在 MuMIn 中使用了 dredge 和 model.avg 函数来获得每个变量的效果估计值。我的问题是如何最好地绘制结果。我想制作一个图表来显示一个变量（森林）对我的数据的影响，其中趋势线反映了森林参数估计，但我不知道如何将分类变量和交互变量保持在它们的“平均值”，以便趋势线只反映森林的影响。

这是模型和绘图设置：

#load packages and document
cuckoo<-read.table("http://www.acsu.buffalo.edu/~ciaranwi/home_range.txt", 
header=T,sep="\t")
require(lme4)
require(MuMIn)
as.factor (cuckoo$ID)
as.factor (cuckoo$Sex)
as.factor(cuckoo$MS_bin)
options(na.action = "na.fail")

# create global model and fit
fm<- lmer(log(KD_95)~ MS_bin + Forest + NDVI + Sex + Precip + MS_bin*Forest 
+ MS_bin*NDVI  + MS_bin*Sex + MS_bin*Precip + Argos + Sample + (1|ID), data 
= cuckoo, REML = FALSE)

# dredge but always include argos and sample
KD95<-dredge(fm,fixed=c("Argos","Sample"))

# model averaging 
avgmod<-model.avg(KD95, fit=TRUE)
summary(avgmod)

#plot data
plot(cuckoo$Forest, (log(cuckoo$KD_95)),
 xlab = "Mean percentage of forest cover",
 ylab = expression(paste(plain("Log of Kernel density estimate, 95%    
utilisation, km"^{2}))),
 pch = c(15,17)[as.numeric(cuckoo$MS_bin)],  
 main = "Forest cover",
 col="black", 
 ylim=c(14,23))
legend(80,22, c("Breeding","Nonbreeding"), pch=c(15, 17),  cex=0.7)

然后我陷入了如何包含趋势线的问题。到目前为止，我有：

#parameter estimates from model.avg
argos_est<- -1.6
MS_est<- -1.77
samp_est<-0.01
forest_est<--0.02
sex_est<-0.0653
precip_est<-0.0004
ndvi_est<--0.00003
model_intercept<-22.7

#calculate mean values for parameters
argos_mean<-mean(cuckoo$Argos)
samp_mean<-mean(cuckoo$Sample)
forest_mean<-mean(cuckoo$Forest)
ndvi_mean<-mean(cuckoo$NDVI)
precip_mean<-mean(cuckoo$Precip)

#calculate the intercept and add trend line
intercept<-(model_intercept + (forest_est*cuckoo$Forest) +    
(argos_est*argos_mean) + (samp_est * samp_mean) + (ndvi_est*ndvi_mean) +  
(precip_est*precip_mean) )

abline(intercept, forest_est)

但这没有考虑交互作用或分类变量，截距看起来太高了。有什么想法吗？

Answer 1

就过程而言，您可以利用 R 将大量有关模型的信息存储在模型对象中并具有从模型对象中获取信息的功能这一事实，使您的编码更加容易。例如，coef(avgmod) 将为您提供模型系数，predict(avgmod) 将为您提供模型对用于拟合模型的数据框中的每个观察值的预测。

要对我们感兴趣的特定数据值组合的预测进行可视化，请创建一个新数据框，其中包含我们想要保持不变的变量的平均值，以及我们想要改变的变量的一系列值 (比如Forest)。 expand.grid 使用下列值的所有组合创建一个数据框。

pred.data = expand.grid(Argos=mean(cuckoo$Argos), Sample=mean(cuckoo$Sample), 
                        Precip=mean(cuckoo$Precip), NDVI=mean(cuckoo$NDVI), 
                        Sex="M", Forest=seq(0,100,10), MS_bin=unique(cuckoo$MS_bin), 
                        ID=unique(cuckoo$ID))

现在我们使用 predict 函数将 log(KD_95) 的预测添加到此数据帧。 predict 负责计算您提供给它的任何数据的模型预测（假设您给它一个包含模型中所有变量的数据框）。

pred.data$lgKD_95_pred = predict(avgmod, newdata=pred.data)

现在我们绘制结果。 geom_point 绘制点，就像在您的原始绘图中一样，然后geom_line 添加MS_bin（和 Sex="M"）的每个级别的预测。

library(ggplot2)

ggplot() +
  geom_point(data=cuckoo, aes(Forest, log(KD_95), shape=factor(MS_bin), 
             colour=factor(MS_bin), size=3)) +
  geom_line(data=pred.data, aes(Forest, lKD_95_pred, colour=factor(MS_bin)))

结果如下：

更新：要绘制男性和女性的回归线，只需在 pred.data 中包含 Sex="F" 并在情节中添加 Sex 作为美学。在下面的示例中，我在绘制点时使用不同的形状来标记Sex，并为回归线使用不同的线型来标记Sex。

pred.data = expand.grid(Argos=mean(cuckoo$Argos), Sample=mean(cuckoo$Sample), 
                        Precip=mean(cuckoo$Precip), NDVI=mean(cuckoo$NDVI), 
                        Sex=unique(cuckoo$Sex), Forest=seq(0,100,10), MS_bin=unique(cuckoo$MS_bin), 
                        ID=unique(cuckoo$ID))

pred.data$lgKD_95_pred = predict(avgmod, newdata=pred.data)

ggplot() +
  geom_point(data=cuckoo, aes(Forest, log(KD_95), shape=Sex, 
                              colour=factor(MS_bin)), size=3) +
  geom_line(data=pred.data, aes(Forest, lgKD_95_pred, linetype=Sex, 
                                colour=factor(MS_bin))) 

Answer 2

我希望我没有错过重点，但如果您想要一个线性趋势，您实际上不必手动计算所有内容，而是获取您绘制的内容并拟合 y~x 线性回归模型，如下所示：

model = lm(log(cuckoo$KD_95)~cuckoo$Forest)

model

# Call:
#   lm(formula = log(cuckoo$KD_95) ~ cuckoo$Forest)
# 
# Coefficients:
#   (Intercept)  cuckoo$Forest  
#      17.13698       -0.01461 

abline(17.13698 ,  -0.01461, col="red")

红线使用回归拟合的截距和斜率。黑线是您的手动过程。