Апостериорные сравнения квазисемейных моделей glmer с emmeans

Поскольку «квази» семейства не могут использоваться в glmer, существует эффективный подход для корректировки стандартных ошибок параметров и соответствующей статистики после подгонки (https://bbolker.github.io/mixedmodels-misc/glmmFAQ. html#fitting-models-with-overdispersion). Но в результате у меня есть только обновленное описание модели с подогнанными параметрами. Как мне действовать, если я хочу выполнить апостериорные тесты модели с параметрами, скорректированными с квазиправдоподобием, например попарное сравнение определяемых пользователем контрастов с emmeans?

Я попытался переопределить параметр моделей glmer с помощью скорректированных параметров, а затем использовать управляемую модель с emmeans, но я не знаю, как манипулировать параметром модели glmer и работает ли это вообще.

Спасибо!

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
66
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Вы можете самостоятельно вычислить параметр дисперсии (как сумму квадратов остатков Пирсона, деленную на невязку df) и использовать аргумент vcov. для emmeans, чтобы соответствующим образом масштабировать ковариационную матрицу...

library(lme4)
library(emmeans)
gm1 <- glmer(cbind(incidence, size-incidence) ~ period + (1|herd),
             family = binomial,
             data = cbpp)
phi <- sum(residuals(gm1, type = "pearson")^2)/df.residual(gm1)
em1 <- emmeans(gm1, ~ period)
em2 <- emmeans(gm1, ~ period, vcov. = vcov(gm1)*phi)
pairs(em1)
contrast          estimate    SE  df z.ratio p.value
 period1 - period2    0.992 0.303 Inf   3.272  0.0059
 period1 - period3    1.128 0.323 Inf   3.495  0.0027
 period1 - period4    1.580 0.422 Inf   3.743  0.0010
 period2 - period3    0.136 0.376 Inf   0.363  0.9837
 period2 - period4    0.588 0.464 Inf   1.267  0.5843
 period3 - period4    0.452 0.478 Inf   0.945  0.7807
pairs(em2)
 contrast          estimate    SE  df z.ratio p.value
 period1 - period2    0.992 0.337 Inf   2.942  0.0172
 period1 - period3    1.128 0.359 Inf   3.143  0.0091
 period1 - period4    1.580 0.469 Inf   3.366  0.0042
 period2 - period3    0.136 0.418 Inf   0.326  0.9880
 period2 - period4    0.588 0.516 Inf   1.139  0.6654
 period3 - period4    0.452 0.531 Inf   0.850  0.8307

Обратите внимание, что параметры корректируются не с помощью корректировок квазиправдоподобия, а только с помощью их (ко)дисперсий/стандартных отклонений.

Другие вопросы по теме