通过分类变量和连续变量的交互作用可视化 GLMM 预测
Visualising GLMM predictions with interaction of categorical and continuous variables
我在 R 中使用 GLMM 工作，该 GLMM 混合了具有一些交互作用的连续变量和分类变量。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。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 'average'这样趋势线只反映森林的效果。
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)
然后我对如何包含趋势线感到困惑。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)
但这并没有考虑交互作用或分类变量，而且截距看起来太高了。有什么想法吗？
我希望我没有漏掉重点，但如果你想要一个线性趋势，你实际上不必手动计算所有内容，而是获取你绘制的内容并拟合 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$Forest
# 17.13698 -0.01461
abline(17.13698 , -0.01461, col="red")
红线使用的是回归拟合的截距和斜率。黑线是你的手动过程。
在过程方面，您可以利用 R 在模型对象中存储大量关于模型的信息并具有从模型对象中获取信息的函数这一事实，使您的编码更容易。例如，coef(avgmod) 将为您提供模型系数，而 predict(avgmod) 将为您提供模型对用于拟合模型的数据框中的每个观察值的预测。
为了可视化对我们感兴趣的数据值的特定组合的预测，创建一个新的数据框，其中包含我们想要保持不变的变量的均值，以及我们想要保持不变的变量值范围变化（如 Forest）。 expand.grid 使用下面列出的值的所有组合创建一个数据框。
pred.data = expand.grid(Argos=mean(cuckoo$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$ID))
现在我们使用 predict 函数将 log(KD_95) 的预测添加到此数据框。 predict 负责为您提供的任何数据计算模型预测（假设您给它一个包含模型中所有变量的数据框）。
pred.data$lgKD_95_pred = predict(avgmod, newdata=pred.data)
现在我们绘制结果。 geom_point 绘制点，就像在您的原始图中一样，然后 geom_line 为 MS_bin（和 Sex="M"）的每个级别添加预测。
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" 并添加 Sex 作为情节中的美学。在下面的示例中，我在绘制点时使用不同的形状来标记 Sex，并使用不同的线型来标记回归线的 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)))
我在 R 中使用 GLMM 工作，该 GLMM 混合了具有一些交互作用的连续变量和分类变量。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。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 'average'这样趋势线只反映森林的效果。
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)
然后我对如何包含趋势线感到困惑。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)
但这并没有考虑交互作用或分类变量，而且截距看起来太高了。有什么想法吗？
我希望我没有漏掉重点，但如果你想要一个线性趋势，你实际上不必手动计算所有内容，而是获取你绘制的内容并拟合 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$Forest
# 17.13698 -0.01461
abline(17.13698 , -0.01461, col="red")
红线使用的是回归拟合的截距和斜率。黑线是你的手动过程。
在过程方面，您可以利用 R 在模型对象中存储大量关于模型的信息并具有从模型对象中获取信息的函数这一事实，使您的编码更容易。例如，coef(avgmod) 将为您提供模型系数，而 predict(avgmod) 将为您提供模型对用于拟合模型的数据框中的每个观察值的预测。
为了可视化对我们感兴趣的数据值的特定组合的预测，创建一个新的数据框，其中包含我们想要保持不变的变量的均值，以及我们想要保持不变的变量值范围变化（如 Forest）。 expand.grid 使用下面列出的值的所有组合创建一个数据框。
pred.data = expand.grid(Argos=mean(cuckoo$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$ID))
现在我们使用 predict 函数将 log(KD_95) 的预测添加到此数据框。 predict 负责为您提供的任何数据计算模型预测（假设您给它一个包含模型中所有变量的数据框）。
pred.data$lgKD_95_pred = predict(avgmod, newdata=pred.data)
现在我们绘制结果。 geom_point 绘制点，就像在您的原始图中一样，然后 geom_line 为 MS_bin（和 Sex="M"）的每个级别添加预测。
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" 并添加 Sex 作为情节中的美学。在下面的示例中，我在绘制点时使用不同的形状来标记 Sex，并使用不同的线型来标记回归线的 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)))