মিশ্র মডেল ফলাফল ভিজ্যুয়ালাইজিং

Question

মিশ্র মডেলগুলির সাথে আমি সবসময় যে সমস্যার মুখোমুখি হয়েছি সেগুলির মধ্যে একটি হ'ল ডেটা ভিজ্যুয়ালাইজেশনগুলি নির্ণয় করা - এটি কোনও ধরণের পেপার বা পোস্টারে শেষ হতে পারে - একবার ফলাফল প্রকাশের পরে।

এই মুহুর্তে, আমি একটি পয়সন মিশ্র প্রভাবগুলির মডেলটিতে এমন সূত্র নিয়ে কাজ করছি যা নীচের মত কিছু দেখাচ্ছে:

a <- glmer(counts ~ X + Y + Time + (Y + Time | Site) + offset(log(people))

গ্লোমে লাগানো কিছু দিয়ে) () সহজেই কোনও নতুন ডেটা সেট তৈরির জন্য ভবিষ্যদ্বাণী পেতে এবং তার থেকে দূরে কিছু তৈরি করতে সহজেই পূর্বাভাস () ব্যবহার করতে পারে। তবে এর মতো আউটপুট সহ - আপনি এক্স থেকে শিফট (এবং সম্ভবত ওয়াইয়ের সেট মান সহ) সময়ের সাথে সাথে কীভাবে হারের প্লটের মতো কিছু তৈরি করবেন? আমার মনে হয় ঠিক স্থির প্রভাবগুলির প্রাক্কলন থেকে ফিটের পক্ষে যথেষ্ট পরিমাণে পূর্বাভাস দেওয়া যেতে পারে তবে 95% সিআইয়ের কী হবে?

ফলাফলের কল্পনা করতে সাহায্যের বিষয়ে কেউ কি ভাবতে পারে? মডেলের ফলাফল নীচে রয়েছে:

Random effects:
 Groups     Name        Variance   Std.Dev.  Corr          
 Site       (Intercept) 5.3678e-01 0.7326513               
            time        2.4173e-05 0.0049167  0.250        
            Y           4.9378e-05 0.0070270 -0.911  0.172 

Fixed effects:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept) -8.1679391  0.1479849  -55.19  < 2e-16
X            0.4130639  0.1013899    4.07 4.62e-05
time         0.0009053  0.0012980    0.70    0.486    
Y            0.0187977  0.0023531    7.99 1.37e-15

Correlation of Fixed Effects:
         (Intr) Y    time
X      -0.178              
time    0.387 -0.305       
Y      -0.589  0.009  0.085

Comments

(+1) @ এপিগ্রাড: আপনি আপনার মডেলের স্থির-প্রভাব অংশ থেকে ভবিষ্যদ্বাণীগুলির সিআই (অর্থাত্ স্ট্যান্ডার্ড ত্রুটি সম্পর্কে) সম্পর্কে কেন উদ্বিগ্ন?

— বোস্কোভিচ

@ অ্যান্ড্রিয়া একটি বৌদ্ধিক উত্তর, এবং একটি বাস্তব উত্তর: বুদ্ধিগতভাবে, আমি সাধারণত যখন আমি পারি তখনই অনিশ্চয়তার পরিমাণ নির্ধারণ এবং দৃশ্যধারণের পক্ষে। ব্যবহারিকভাবে, কারণ আমি নিশ্চিত যে কোনও পর্যালোচক এটির জন্য জিজ্ঞাসা করবেন।

— Fomite

হ্যাঁ হ্যাঁ, অবশ্যই, তবে আমার অর্থ অন্যরকম। আমার মন্তব্য যথেষ্ট পরিষ্কার ছিল না, দুঃখিত। আপনি আপনার প্রশ্নে লিখেন "তবে 95% সিআই সম্পর্কে কী?" আমার মন্তব্যটি হ'ল: আপনি মডেলের স্থির-প্রভাব অংশ থেকে ভবিষ্যদ্বাণীটির মানক ত্রুটি কেন গণনা করবেন না? যদি আপনি পূর্বাভাসিত মানগুলি স্থির-প্রভাব অংশটি নির্ধারণ করতে সক্ষম হন তবে আপনি এসইও গণনা করতে পারবেন এবং এইভাবে সিআই। @ এপিগ্রাড

— বোস্কোভিচ

@ আন্ড্রেয়া আহ। উদ্বেগটি হ'ল আমি যে বিষয়গুলির ভবিষ্যদ্বাণী করতে চাই তার মধ্যে একটি, সময় এবং এলোমেলো প্রভাব পড়ে, যা দিয়ে আমি কী করব তা আমার কোনও ধারণা নেই।

— ফোমাইট

ঠিক আছে, আপনি ভবিষ্যদ্বাণী করতে চান counts, না time। আপনি মান ঠিক X, Yএবং timeএবং আপনার মডেল নির্দিষ্ট প্রভাব অংশ ভবিষ্যদ্বাণী করা ব্যবহার counts। এটি সত্য যে timeএটি আপনার মডেলটিতে একটি এলোমেলো প্রভাব হিসাবেও অন্তর্ভুক্ত করা হয়েছে (ঠিক তেমন ইন্টারসেপ্ট এবং এর মতো Y) তবে এটি এখানে কোনও ব্যাপার নয় কারণ ভবিষ্যদ্বাণীটির জন্য আপনার মডেলের কেবলমাত্র-নির্দিষ্ট অংশটি ব্যবহার করা এলোমেলো প্রভাবগুলি 0 এ সেট করার মতো is @ এপিগ্রাড

— বোস্কোভিচ

Answer 1

countsআপনার মডেলের ফিক্সড-ইফেক্ট অংশ ব্যবহার করার পূর্বাভাস দেওয়ার অর্থ আপনি এলোমেলো প্রভাবগুলি শূন্যে (অর্থাত্ তাদের গড়) সেট করেছেন। এর অর্থ হল আপনি তাদের সম্পর্কে "ভুলে" যেতে পারেন এবং ভবিষ্যদ্বাণীগুলির মান এবং ত্রুটিগুলি গণনা করতে স্ট্যান্ডার্ড যন্ত্রপাতি ব্যবহার করতে পারেন (যার সাহায্যে আপনি আত্মবিশ্বাসের ব্যবধানগুলি গণনা করতে পারেন)।

এটি স্টাটা ব্যবহার করে একটি উদাহরণ, তবে আমি মনে করি এটি সহজে আর ভাষায় অনুবাদ করা যায়:

webuse epilepsy, clear
xtmepoisson seizures treat visit || subject: visit
predict log_seiz, xb
gen pred_seiz = exp(log_seiz)
predict std_log_seiz, stdp
gen ub = exp(log_seiz+invnorm(.975)*std_log_seiz)
gen lb = exp(log_seiz-invnorm(.975)*std_log_seiz)

tw (line pred_seiz ub lb visit if treat == 0, sort lc(black black black) ///
 lp(l - -)), scheme(s1mono) legend(off) ytitle("Predicted Seizures") ///
 xtitle("Visit")

গ্রাফটি উল্লেখ করে treat == 0এবং এটি একটি উদাহরণ হিসাবে অভিহিত করা হয়েছে ( visitআসলেই ধারাবাহিক পরিবর্তনশীল নয়, তবে এটি কেবল ধারণাটি পাওয়ার জন্য)। ড্যাশযুক্ত রেখাগুলি 95% আত্মবিশ্বাসের ব্যবধান।