Visualización de resultados del modelo mixto

Question

Uno de los problemas que yo he tenido siempre con los modelos mixtos es averiguar las visualizaciones de datos - el tipo que podría terminar en una ponencia o póster - una vez que uno tiene los resultados.

Ahora mismo, estoy trabajando en una Poisson de efectos mixtos modelo con una fórmula parecida a la siguiente:

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

Con algo de módulos en glm (), se puede utilizar fácilmente el predecir() para obtener predicciones para un nuevo conjunto de datos, y construir algo a partir de eso. Pero con una salida como esta, ¿cómo construir algo así como una parcela de la velocidad en el tiempo con los cambios de X (y probablemente con un valor dado de Y)? Creo que uno podría predecir el ajuste lo suficientemente bien sólo a partir de las estimaciones de efectos Fijos, pero ¿y el IC del 95%?

¿Hay algo más que alguien puede pensar que ayudan a visualizar los resultados? Los resultados del modelo son las siguientes:

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

Answer 1

La predicción de la counts el uso de los efectos fijos de la parte de su modelo de medios que se establece en cero (es decir, su media) el de efectos aleatorios. Esto significa que usted puede "olvidar" acerca de ellos y utilizar el estándar de maquinaria para calcular las predicciones y los errores estándar de las predicciones (con la que usted puede calcular los intervalos de confianza).

Este es un ejemplo del uso de Stata, pero supongo que puede ser fácilmente "traducirse" en lenguaje R:

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")

El gráfico se refiere a treat == 0 y pretende ser un ejemplo (visit no es realmente una variable continua, pero es la idea). Las líneas discontinuas son el 95% de intervalos de confianza.