Ошибка `marginaleffects`: столбцы матрицы не поддерживаются

Краткое содержание

Я пытаюсь использовать Marginaleffects::plot_predictions() для построения прогнозов на основе GLMM. Минимальный рабочий пример приведен ниже.

Цель

Я пытаюсь построить прогнозы только для четырехстороннего взаимодействия Scaled_exp * Соглашение * Условие * Группа в следующем GLMM:

glmer(Acceptance ~  scaled_exp * Agreement * Condition * Group +
                    scaled_age * Agreement * Group +
                    (1 | Item) +
                    (1 + Condition | Subject)

Однако кажется, что у метода Marginaleffects::plot_predictions() возникают проблемы (только с GLMM, а не с LMM), если не каждый отдельный предиктор включен в список условий (т. е. нас не интересует построение графика эффекта Scaled_age, это только включен для контроля влияния старения на результаты исследований), но если я попытаюсь запустить его без Scaled_age, я получу следующую ошибку.

Предупреждение. Столбцы матрицы не поддерживаются в качестве предикторов и поэтому опускаются. Это может помешать вычислению величин представляет интерес. Вы можете создать свой собственный набор данных прогнозирования и явно указать его в аргументе newdata. Внимание: некоторые столбцы имеют многостолбцовый тип (например, столбец матрицы): [2, 6]. setDT сохранит эти столбцы как есть, но последующие операции, такие как группировка и объединение, могут завершиться неудачно. Вместо этого рассмотрите as.data.table(), который создаст новый столбец для каждого встроенного столбца. Ошибка: невозможно вычислить прогнозируемые значения с помощью этой модели. Вы можете попытаться передать в аргумент newdata другой набор данных. Эта ошибка также возникла: объект «scaled_age» не найден. Отслеживание ошибок: https://github.com/vincentarelbundock/marginaleffects/issues

Я не сталкиваюсь с этими проблемами с соответствующими LMM с похожими структурами фиксированных и случайных эффектов, поэтому подозреваю, что это как-то связано с этим.

МВЕ

# Load necessary libraries
library(lme4)
library(tidyverse)
library(marginaleffects)

# Create a sample dataset
set.seed(123)
n <- 5000

sample_data <- tibble(
  Subject = as.factor(rep(1:500, each = 10)),  # Increase the number of subjects
  Group = factor(rep(c("Group1", "Group2"), each = n / 2)),
  Item = sample(1:120, n, replace = TRUE),
  Condition = factor(rep(c("Cond1", "Cond2"), times = n / 2)),
  Agreement = factor(sample(c("Agree", "Disagree"), n, replace = TRUE)),
  Acceptance = rbinom(n, 1, 0.5),
  scaled_age = scale(rnorm(n, 40, 15)),
  scaled_exp = scale(rnorm(n, 0.3, 1.4))
)

# Fit the generalized linear mixed model
glmm_mod <- glmer(Acceptance ~ 
                    scaled_exp * Agreement * Condition * Group +
                    scaled_age * Agreement * Group +
                    (1 | Item) +
                    (1 + Condition | Subject), 
                  data = sample_data, 
                  family = binomial, 
                  control = glmerControl(optimizer = "bobyqa", optCtrl = list(maxfun = 100000)))

# Generate predictions for the four-way interaction using plot_predictions()
plot_predictions(
  glmm_mod,
  condition = list("scaled_exp", "Agreement", "Condition", "Group"),
  re.form = NA
) +
  aes(linetype = Agreement) +  # Map linetype to Agreement
  facet_wrap(~ Group + Condition, ncol = 4) +
  scale_color_manual(values = c("Agree" = "blue", "Disagree" = "red")) +
  scale_fill_manual(values = c("Agree" = "blue", "Disagree" = "red")) +
  scale_linetype_manual(values = c("Agree" = "solid", "Disagree" = "longdash")) +  
  theme_classic() +
  labs(x = "Scaled Experience", y = "Predicted Probability of Acceptance")