具有因子-因子交互作用的障碍模型中的赔率和比率 CI

Question

我正在尝试构建具有因子-因子交互作用的障碍模型，但不知道如何计算各种因子-因子组合之间的优势或比率比的 CI。

library(glmmTMB)
data(Salamanders)
m3 <- glmmTMB(count ~ spp + mined + spp * mined,
              zi=~spp + mined + spp * mined,
              family=truncated_poisson, data=Salamanders) # added in the interaction
pred_dat <- data.frame(spp = rep(unique(Salamanders$spp), 2),
                       mined = rep(unique(Salamanders$mined), each = length(unique(Salamanders$spp))))
pred_dat # All factor-factor combos

有谁知道如何围绕这些不同因子-因子组合之间的比率适当地计算 CI？我知道如何计算实际比率估计值（其中包括对 1-3 个模型系数的总和进行取幂，具体取决于进行的确切比较），但我似乎找不到任何关于如何获得相应 CI 的信息涉及交互。如果所讨论的比率只需要对单个系数求幂，则可以轻松计算 CI；当计算比率涉及两个或三个系数时，我只是不知道该怎么做。任何帮助将不胜感激。

编辑： 我需要实际的几率和比率及其 CI，而不是预测值及其 CI。例如：exp(confint(m3)[2,3]) 给出 sppPR/minedYes 与 sppGP/minedYes 的比率，而 c(exp(confint(m3)[2,1]),exp(confint(m3) [2,2]) 给出了该比率的 CI。但是，spp/mined 组合之间的许多潜在比较需要对多个系数求和，例如 exp(confint(m3)[2,3] + confint(m3) [8,3]）但在这种情况下，我不知道如何计算比率 CI，因为它涉及多个系数，每个系数都有自己的 SE 估计值。鉴于涉及多个系数，我该如何计算这些 CI？

Answer 1

如果我正确理解您的问题，这将是获得交互项的预测/拟合值的不确定性的一种方法：

library(glmmTMB)
library(ggeffects)

data(Salamanders)
m3 <- glmmTMB(count ~ spp + mined + spp * mined,
              zi=~spp + mined + spp * mined,
              family=truncated_poisson, data=Salamanders) # added in the interaction

ggpredict(m3, c("spp", "mined"))
#> 
#> # Predicted counts of count
#> # x = spp
#> 
#> # mined = yes
#> 
#> x    | Predicted |   SE |       95% CI
#> --------------------------------------
#> GP   |      1.59 | 0.92 | [0.26, 9.63]
#> PR   |      1.13 | 0.66 | [0.31, 4.10]
#> DM   |      1.74 | 0.29 | [0.99, 3.07]
#> EC-A |      0.61 | 0.96 | [0.09, 3.96]
#> EC-L |      0.42 | 0.69 | [0.11, 1.59]
#> DF   |      1.49 | 0.27 | [0.88, 2.51]
#> 
#> # mined = no
#> 
#> x    | Predicted |   SE |       95% CI
#> --------------------------------------
#> GP   |      2.67 | 0.11 | [2.15, 3.30]
#> PR   |      1.59 | 0.28 | [0.93, 2.74]
#> DM   |      3.10 | 0.10 | [2.55, 3.78]
#> EC-A |      2.30 | 0.17 | [1.64, 3.21]
#> EC-L |      5.25 | 0.07 | [4.55, 6.06]
#> DF   |      2.68 | 0.12 | [2.13, 3.36]
#> Standard errors are on link-scale (untransformed).
plot(ggpredict(m3, c("spp", "mined")))

^{由reprex package (v0.3.0) 于 2020 年 8 月 4 日创建}

ggeffects-package 使用模型项的置信区间计算边际效应/估计边际均值 (EMM)。 ggpredict() 基于 predict() 计算这些 EMM，ggemmeans() 包装了奇妙的 emmeans 包，ggeffect() 使用 effects 包。