Как создать новый фрейм данных прогнозов модели, используя приспособленный() для запуска существующей модели lm/lmer с взаимодействием?

Из-за отсутствия лучшей формулировки: мне нужно создать новый фрейм данных из существующего фрейма данных, чтобы запустить модель lm/lmer, чтобы получить прогнозы модели.

Предположим, у меня есть:

    x <- as.numeric(rep(1:6,5))
    y <- as.numeric(rep(1:5,6))
    int1 <- factor(rep(c("a","b"),15))
    int2 <- factor(rep(c("11","12","13"),10))
    g <- rep(c("f","m"),15)
    df <- data.frame(x,y,int1,int2,g)

    head(df)
    #  x y int1 int2 g
    #1 1 1    a   11 f
    #2 2 2    b   12 m
    #3 3 3    a   13 f
    #4 4 4    b   11 m
    #5 5 5    a   12 f
    #6 6 1    b   13 m

    library(lme4)
    mod <- lmer(y ~ x + int1*int2 + (1|g), data=df) #model I need

    #OR:   
    #mod <- lm(y ~ x + int1*int2, data=df) #might be enough, don't need                    
    #random effects in new df.

Теперь мне нужно создать новый df для запуска подобранной модели, чтобы получить прогнозы. Меня волнуют только термины взаимодействия (взаимодействие 2x3), но, видимо, новый df должен иметь все фиксированные эффекты, иначе выдает ошибку. Случайные эффекты исключены. Новый df имеет стандартные ошибки и границы доверительного интервала.

Это должно выглядеть примерно так:

    > foo                       
     int1/int2fit     se    lwr     upr 
        11  68.86   2.03    64.91   72.86   #main effect
        12  43.44   5.78    32.50   55.10   #main effect
        13  38.77   4.14    31.12   47.19   #main effect
        a   36.81   5.87    26.05   48.72   #main effect
        b   34.58   3.59    27.55   41.71   #main effect
        11a 28.04   4.40    19.87   37.31   #interaction term
        11b 32.69   3.92    25.28   40.48   #interaction term
        11c more numbers    …   …           #interaction term
        12a …   …   …   …                   #interaction term
        12b …   …   …   …                   #interaction term
        12c …   …   …   …                   #interaction term
        13a …   …   …   …                   #interaction term
        13b …   …   …   …                   #interaction term
        13c …   …   …   …                   #interaction term

Код, который я использовал, приведен ниже. Не работает, ошибки в первой строке.

    newdata <- data.frame(int1 = levels(df$int1), int2 = levels(df$int2),         
    x = range(df$x)) #wrong. How change it?
    fitmod = fitted(mod, newdata = newdata, re_formula = NA, summary =  
                    T)*100       #convert to %
    colnames(fitmod) = c('fit', 'se', 'lwr', 'upr')
    foo = cbind(newdata, fitmod)

Создание дополнительного столбца, объединяющего int1 и int2, также не работает. Если бы модель имела только один предиктор, который был бы фактором, это было бы:

    newdata <- data.frame(int1 = levels(df$int1))

Как правильно настроить этот df, чтобы получить все правильные коэффициенты? Большое 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...
0
0
489
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Самый простой в использовании modelr:

newdat <- modelr::data_grid(df, .model = mod)
newdat$pr <- predict(mod, newdat)

Но похоже, что вместо этого вы используете emmeans?

emmeans::emmeans(mod, ~int1:int2)

Спасибо большое, попробую! На самом деле я использую пакет brms для байесовской регрессии, но я думаю, что с lme4 все точно так же.

jira 30.07.2019 20:53

Я попробовал ваше предложение с modelr, но newdat это data frame with 0 columns and 0 rows

jira 30.07.2019 22:38

Затем вам нужно вручную указать нужные вам столбцы в data_grid

Axeman 30.07.2019 22:42

Но emmeans, казалось, работал отлично! Спасибо еще раз! Однако один вопрос: учитывая, что это байесовский анализ, и мне может понадобиться извлечь цепочки MCMC аналогичным образом, нет способа сделать это с помощью emmeans, не так ли? В моем коде выше все, что нужно изменить, это summary = F (из (summary = T)*100), по-видимому, и цепочки извлекаются вместо сводки.

jira 30.07.2019 22:59

Только что увидела ваш ответ, отлично, тоже попробую.

jira 30.07.2019 22:59

Другие вопросы по теме