Использование моделирования lme4 для прогнозирования значений фиксированных эффектов

Question

Приносим извинения за новичков, но я новичок в lme4. Я использую lme4 модель выживания пчелосемей среди шести объектов, состоящих из различных видов землепользования в течение трех лет, и подготовил следующую модель уже после устранения других конкурирующих моделей с использованием REML:

land1=lmer(asin(sqrt(prop_survival))~log(area_forage_uncult) + (1|site) + (1|year)) 

И выпустил резюме :

Linear mixed model fit by REML ['lmerMod'] 
Formula: asin(sqrt(prop_survival)) ~ log(area_forage_uncult) + (1 | site)+ (1 | year)) 

REML criterion at convergence: -32.7 

Scaled residuals: 
Min  1Q Median  3Q  Max 
-1.4914 -0.5867 -0.0323 0.4945 1.7873 

Random effects: 
Groups Name  Variance Std.Dev. 
site  (Intercept) 0.001080 0.03287 
year  (Intercept) 0.000000 0.00000 
Residual    0.004983 0.07059 
Number of obs: 18, groups: site, 6; year, 3 

Fixed effects: 
        Estimate Std. Error t value 
(Intercept)    -1.33426 0.62653 -2.130 
log(area_forage_uncult) 0.13687 0.03618 3.783 

Correlation of Fixed Effects: 
     (Intr) 
lg(r_frg_n) -0.999 

То, что я сейчас хотел бы сделать, это использовать эту модель для прогнозирования выживаемости пасек данных других количеств необрабатываемых кормов. Какой был бы лучший способ сделать это? Пример кода будет очень полезен.

Answer 1

Это должно быть довольно просто (хотя это было бы мне проще с reproducible example ...)

Если у вас есть оборудованная модель land1, то

## I'm picking arbitrary values here since I don't 
## know what's sensible for your system 
pframe <- data.frame(area_forage_uncult=200:210) 
predict(land1,newdata=pframe,re.form=~0) 

Аргумент re.form=~0 говорит функции predict() что вы хотите делать прогнозы на уровне населения, а не на какой-либо конкретный год или сайт (т.е. установить значения случайных эффектов в ноль при прогнозировании). Для получения дополнительной информации см. ?predict.merMod.

У меня есть несколько других предложений о модели:

• рассмотреть возможность использование биномиальной GLM-модели (если выживание доли из общего числа известных экспозиций), а не Арксинус квадратных корней преобразующих (см Warton and Hui 2011)
• 6 сайтов - это довольно небольшое количество уровней случайного эффекта, а 3 очень мало; ваш результат показывает, что дисперсия между годами была установлена ​​равной нулю. Рассмотрите год установки как фиксированный эффект (возможно, с контрастностью от суммы до нуля, т. Е. Укажите contrasts=list(year=contr.sum)).