尽管系数相同，但 ggeffects 从提取为防风草模型的 lm 中给出不同的预测结果

Question

我对使用 ggeffects 的预测有疑问，如果我使用传统的 lm 拟合或提取的欧洲防风草模型拟合（尽管具有相同的系数），它会给我完全不同的结果。这是一个例子...

library(tidyverse)
library(tidymodels)
library(ggeffects)

test_df <- structure(list(weight = c(-1.7, 0, 0.6, 0.6, -0.7, -0.3, -0.6, 
-1, -1, 2, 0.1, -0.6, -1.5, 2, -0.7, -0.2, -0.9, -0.6, 1.1, -2, 
1.4, -1, -1.1, 0.5, 1.3, 0, -0.5, -3, 1.1, -0.6), steps = c(19217, 
15758, 14124, 14407, 5565, 20860, 17536, 17156, 17219, 652, 1361, 
8524, 1169, 3117, 3135, 1917, 4267, 7067, 8927, 2436, 3014, 5281, 
8104, 6836, 8939, 4923, 6885, 10581, 10370, 11024), calories = c(1943, 
1581, 1963, 1551, 1699, 1789, 1550, 2036, 1707, 1522, 1672, 1994, 
1588, 1506, 1678, 1673, 1662, 1906, 1814, 1609, 1799, 1825, 1654, 
2291, 1788, 2019, 1911, 1589, 2177, 2137)), class = c("tbl_df", 
"tbl", "data.frame"), row.names = c(NA, -30L)) %>% 
  as_tibble(.)

#lm fit
lmmod_simp <- lm(weight ~  steps * calories, data = test_df)

#tidymodels
linear_reg_lm_spec <-
  linear_reg() %>%
  set_engine('lm')

basic_rec <-  recipe(weight ~ steps  + calories, test_df) %>% 
  step_interact(terms = ~ steps:calories) 

lm_wflw <- workflow() %>% 
  add_recipe(basic_rec) %>% 
  add_model(linear_reg_lm_spec) 

lm_fit <- fit(lm_wflw, data = test_df)

lm_fit_extracted <- lm_fit %>% extract_fit_parsnip()

当我查看输出时，两者具有相同的系数

lmmod_simp

lm_fit_extracted

但是我去预测的时候，预测的完全不一样

ggemmeans(lmmod_simp, terms = c("steps", "calories[1500,2000,2500]")) %>%
  as.data.frame() %>%
  ggplot(aes(x,predicted, color=group, linetype = group))+
  geom_line()

modlm 1

ggemmeans(lm_fit_extracted, terms = c("steps", "calories[1500,2000,2500]")) %>%
  as.data.frame() %>%
  ggplot(aes(x,predicted, color=group, linetype = group))+
  geom_line()

mod lm2

也许我不能't/shouldn以这种方式使用防风草拟合对象，但这看起来很奇怪，因为它们显示相同的系数。

感谢任何帮助！

Answer 1

您得到的结果不同，因为 lmmod_simp 和 lm_fit_extracted 是不同的模型。虽然 lm_fit 对步骤有交互作用，但 lm_fit_extracted 不知道这种交互，因为它在执行交互计算后获取数据。

如果您计划将其用于诊断以外的其他用途，通常不建议从工作流对象中提取模型。

尽管系数相同，但 ggeffects 从提取为防风草模型的 lm 中给出不同的预测结果

ggeffects giving different prediction results from lm extracted as parsnip model, despite same coefficients

r

lm

tidymodels

r-parsnip