¿Por qué mis intervalos de confianza son mucho mayores en glmmADMB que en glmer.nb?

Question

Estoy trazando términos de interacción de 3 vías a partir de un modelo binomial negativo, y he probado los modelos en dos paquetes para comprobar mi trabajo y como análisis de sensibilidad. Utilicé la función de efecto para extraer el ajuste y los IC para trazar.

library(lme4)
model.lme <- glmer.nb(dv ~ condition * time * gender + (1 | id), 
                      family = nbinom(), data = df)

effect.out.lme <- effect(term = "condition * time * gender", 
                         xlevels = list(condition = c(0, 1), 
                                        gender = c(1, 2)), 
                         mod = model.lme)

library(glmmadmb)
model.admb <- glmmadmb(dv ~ condition * time * gender + (1 | id), 
                       data = df, family = nbinom2(), 
                       zeroInflation = FALSE) 

effect.out.admb <- effect(term = "condition * time * gender", 
                          xlevels = list(condition = c(0, 1), 
                                         gender = c(1, 2)), 
                          mod = model.admb)

Cuando examiné los valores ajustados para trazar, las estimaciones de glmer.nb() estaban en el rango esperado para la escala del VD. Sin embargo, los intervalos de confianza de glmmadmb() incluía valores negativos, y las estimaciones de ajuste eran mucho más pequeñas de lo que cabría esperar dado el rango de la escala, así que supuse que estaban transformadas logarítmicamente y las exponencié. Así obtuve estimaciones de ajuste que, en general, eran similares a las de glmer.nb() pero el glmmadmb() intervalos de confianza son mucho, mucho más amplios que los de glmer.nb() y se solapan sustancialmente entre sí cuando los grafico.

¿Qué está pasando aquí?

Answer 1

Es difícil ver lo que ocurre sin tener los datos para probar nosotros mismos. Pero yo sugeriría que también comparar sus resultados utilizando el GLMMadaptativo y el glmmTMB paquetes. El primero ajusta el mismo modelo utilizando la cuadratura gaussiana adaptativa que proporciona una mejor aproximación a las integrales sobre los efectos aleatorios que la aproximación de Laplace utilizada por los otros paquetes.