0

我正在运行一个零膨胀glmmTMB模型。我有兴趣在有条件和零通胀成分的不同因素水平之间进行成对比较。有条件的部分，我可以很容易地用通常的emmeans方法来做。我一直在尝试使用（相对）新铸造glmmTMB:::emm_basis.glmmTMB的，但无法弄清楚该函数采用的一些参数，也找不到示例......

这是我目前所处位置的玩具示例。我专门在模型中添加了一个poly()组件——我的完整模型同时具有poly()和ns()，因此需要弄清楚它们是如何在这里工作的。

所以这里有一些问题：1）我提供的trms论点是否正确？2）函数需要什么xlev和grid参数？emm_basis.glmmTMB

library(glmmTMB)

data(Salamanders)
mod <- glmmTMB(count ~ spp + mined + poly(cover, 2) + (1|site), zi=~spp + mined, Salamanders, 
   family=nbinom2)

tt <- y ~ spp + mined + poly(cover, 2)
tt <- delete.response(terms(tt))

glmmTMB:::emm_basis.glmmTMB(mod,  trms = tt)

非常感谢您的任何想法！

4

1 回答 1

1

函数emm_basis()和recover_data()是emmeans包的支持函数，具有许多不同模型类的方法，包括glmmTMB. 这些函数并不意味着由用户调用——这就是为什么它们被注册为方法而不是被导出的原因。

相反，只需调用emmeansemmeans()包中的或其他函数，这些方法将根据需要使用。

在对象的情况下，调用中可能包含glmmTMB一个可选参数。在您的示例中：componentemmeans()

> emmeans(mod, ~spp, component = "cond")
 spp   emmean    SE  df lower.CL upper.CL
 GP     0.440 0.225 624 -0.00146    0.881
 PR    -0.382 0.483 624 -1.32983    0.566
 DM     0.596 0.203 624  0.19723    0.994
 EC-A   0.145 0.327 624 -0.49699    0.787
 EC-L   0.991 0.231 624  0.53814    1.445
 DES-L  1.009 0.188 624  0.64015    1.379
 DF     0.332 0.217 624 -0.09448    0.758

Results are averaged over the levels of: mined 
Results are given on the log (not the response) scale. 
Confidence level used: 0.95

（我们实际上不需要包括component，因为默认值为cond。）这些结果在对数尺度上，因为nbinom2用于拟合模型的条件部分的族。您可以通过指定在响应量表上查看这些结果type：

> emmeans(mod, ~spp, type = "response")
 spp   response    SE  df lower.CL upper.CL
 GP       1.553 0.349 624    0.999     2.41
 PR       0.682 0.329 624    0.265     1.76
 DM       1.814 0.368 624    1.218     2.70
 EC-A     1.156 0.378 624    0.608     2.20
 EC-L     2.695 0.622 624    1.713     4.24
 DES-L    2.744 0.516 624    1.897     3.97
 DF       1.394 0.303 624    0.910     2.13

Results are averaged over the levels of: mined 
Confidence level used: 0.95 
Intervals are back-transformed from the log scale

您可以通过以下方式查看模型的零膨胀部分compoenent = "zi"：

> emmeans(mod, ~spp, component = "zi", type = "response")
 spp   response     SE  df lower.CL upper.CL
 GP       0.455 0.1064 624   0.2646    0.660
 PR       0.763 0.1406 624   0.4115    0.937
 DM       0.273 0.1128 624   0.1097    0.534
 EC-A     0.719 0.1020 624   0.4870    0.873
 EC-L     0.365 0.1085 624   0.1864    0.590
 DES-L    0.278 0.0989 624   0.1275    0.503
 DF       0.132 0.1150 624   0.0207    0.522

Results are averaged over the levels of: mined 
Confidence level used: 0.95 
Intervals are back-transformed from the logit scale

目前，似乎无法估计实际的平均响应 (1 - zi)*(cond mean)；这很有用，但相当混乱，因为它需要结合这两个组件。

于 2020-06-15T16:02:54.000 回答