Интерпретация вывода mcmc с использованием glmmadmb

Question

Я пытаюсь оценить выход из отрицательной биномиальной смешанной модели с использованием glmmadmb. Чтобы обобщить вывод, я сравниваю итоговую функцию с выходом forom с параметром mcmc. Я запустил эту модель:

  pre1 <- glmmadmb(walleye~(1|year.center) + (1|Site) ,data=pre,  
      family="nbinom2",link="log", 
      mcmc=TRUE,mcmc.opts=mcmcControl(mcmc=1000)) 

У меня есть два случайных перехвата: год и сайт. Год имеет 33 уровня, а сайт - 15.

Оценка случайного эффекта для сайта и года из итогового (pre1), похоже, не согласуется с последующим распределением с выходом mcmc. Я использую 50% доверительный интервал в качестве оценки, которая должна совпадать с оценкой параметров из итоговой функции. Это неправильно? Есть ли способ получить ошибку вокруг параметра случайного эффекта, используя итоговую функцию для определения того, является ли это проблемой дисперсии? Я попытался использовать postvar = T с ranef, но это не сработало. Кроме того, есть ли способ форматировать вывод mcmc с информативными именами строк, чтобы убедиться, что я использую правильные оценки?

Резюме выводится из glmmabmb: резюме (pre1)

Call: 
glmmadmb(formula = walleye ~ (1 | year.center) + (1 | Site), 
data = pre, family = "nbinom2", link = "log", mcmc = TRUE, 
mcmc.opts = mcmcControl(mcmc = 1000)) 

AIC: 4199.8 

Coefficients: 
     Estimate Std. Error z value Pr(>|z|)  
(Intercept) 3.226  0.154  21 <2e-16 *** 

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Number of observations: total=495, year.center=33, Site=15 
Random effect variance(s): 
Group=year.center 
      Variance StdDev 
(Intercept) 0.1085 0.3295 
Group=Site 
      Variance StdDev 
(Intercept) 0.2891 0.5377 

Negative binomial dispersion parameter: 2.0553 (std. err.: 0.14419) 

Log-likelihood: -2095.88 

Выход MCMC: м < - as.mcmc (pre1 $ MCMC) ДИ < - т (применяются (м, 2, квантиль, c (0,025,0,5,0,975)))

    2.5%   50%   97.5% 
(Intercept) 2.911667943 3.211775843 3.5537371345 
tmpL.1  0.226614903 0.342206509 0.4600328729 
tmpL.2  0.395353518 0.554211483 0.8619127547 
alpha  1.789687691 2.050871824 2.3175742167 
u.01   0.676758365 0.896844797 1.0726750539 
u.02   0.424938481 0.588191585 0.7364795440 

Эти оценки продолжаются до u.48 для включения коэффициентов года и конкретного участка.

Благодарим вас за любые мысли по этому вопросу. Tiffany

Answer 1

Оценка параметров случайных эффектов для сайта и года от резюме (pre1), кажется, не согласен с апостериорным распределением с выхода MCMC. Я использую 50% доверительный интервал в качестве оценки, которая должна совпадать с оценкой параметров из итоговой функции. Это неправильно?

Это не 50% -ный доверительный интервал, это 50% -ный квантиль (то есть медиана). Точечные оценки из аппроксимации Лапласа среднеквадратичных отклонений , соответственно, составляют {0.3295,0.5377}, которые, по-видимому, очень близки к средним оценкам MCMC {0.342206509,0.554211483} ... как обсуждается ниже, параметры MCMC tmpL представляют собой случайные эффекты стандартные отклонения, а не отклонения - это может быть основной причиной вашего замешательства?

Есть ли способ получить ошибку вокруг параметра случайного эффекта, используя итоговую функцию для определения того, является ли это проблемой дисперсии? Я попытался использовать postvar = T с ranef, но это не сработало.

lme4 пакет (не glmmadmb пакет) позволяет оценки дисперсий условных режимов (то есть случайные эффекты, связанные с конкретными уровнями) через ranef(...,condVar=TRUE) (postVar=TRUE теперь не рекомендуется). Эквивалентную информацию об неопределенности условных режимов можно получить через ranef(model,sd=TRUE) (см. ?ranef.glmmadmb).

Однако, я думаю, вы могли бы искать для (матриц ковариационной) $S и $sd_S (стандартные ошибки Wald из ковариационной оценок) вместо (хотя, как было сказано выше, я не думаю, что это действительно проблема).

Также есть способ форматирования вывода mcmc с информативными именами строк, чтобы убедиться, что я использую правильные оценки?

См. Стр. 15 vignette("glmmADMB",package="glmmADMB"):

Выход MCMC в glmmADMB не полностью переведено. Она включает в себя, в указанном порядке: Параметр

• pz нулевой инфляции (сырье)
• fixed effect parameters Названный таким же образом, как результаты coef() или fixef().
• tmpL дисперсии (стандартное отклонение шкала)
• tmpL1 корреляционные/недиагональные элементы ковариационной матрицы (недиагональные элементы фактора Холецкого корреляционной матрицы '). (Если вам нужно преобразовать их в корреляции, вам нужно будет построить соответствующие матрицы с 1 по диагонали и вычислить кросс-произведение CC^T (см. tcrossprod), если это не имеет смысла для вас, обратитесь к сопровождающим)
• alpha overdispersion/параметр масштаб
• u случайные эффекты (непересчитанные: они могут быть расширены с использованием расчетных случайными эффектов стандартных отклонений от VarCorr())