计算 ordinal::clmm 的边际效应

Question

我在从具有随机效应的序数模型 (ordinal::clmm()) 计算 AME（...平均边际效应...）时遇到一些问题（在我的例子中是四级年份因子）。函数 margins::margins() 和 mfx::probitmfx() 不起作用。

ggeffects::ggpredict() 函数可以工作，但在指定随机效应点时遇到问题，我不想在其中看到平均边际效应。就我而言，它针对年份 = 2006 进行了调整（范围为 2006、2008、2017、2018），这对我来说信息量不大。

这是 iris 数据集的示例。无论它的用法如何，我都会改变变量。这只是一个例子……

#datasets::iris %>% glimpse
#get ordered variable and a factor for random effects
iris %>% mutate(species_o = ordered(Species), petal_length_cut_f = cut(iris$Petal.Length,4) )->temp
#fit model
clmm(species_o~Sepal.Width+(1|petal_length_cut_f), data = temp, link = "probit")->clmm_fit
#predict
ggpredict(clmm_fit, terms = c("petal_length_cut_f [all]", "Sepal.Width [all]"), type = "re")-> gp

这会引发错误：

无法计算“clmm”模型的随机效应水平的预测值。请从“terms”中删除以下变量：petal_length_cut_f

移动到 lme4::lmer() 我可以做我想做的事：

#fit model
lmer(as.numeric(species_o) ~Sepal.Width+(1|petal_length_cut_f), data = temp)->lmer_fit
#predict
ggpredict(lmer_fit, terms = c("petal_length_cut_f [all]", "Sepal.Width [all]"), type = "re")-> gp
gp

# Predicted values of species_o

# Sepal.Width = 2

petal_length_cut_f | Predicted |        95% CI
----------------------------------------------
(0,994,2,48]       |      1.01 | [-0.03, 2.04]
(2,48,3,95]        |      2.00 | [ 0.97, 3.04]
(3,95,5,43]        |      2.36 | [ 1.33, 3.40]
(5,43,6,91]        |      3.00 | [ 1.96, 4.03]

# Sepal.Width = 2,2

petal_length_cut_f | Predicted |        95% CI
----------------------------------------------
(0,994,2,48]       |      1.01 | [-0.02, 2.04]
(2,48,3,95]        |      2.00 | [ 0.97, 3.03]
(3,95,5,43]        |      2.36 | [ 1.33, 3.39]
(5,43,6,91]        |      3.00 | [ 1.97, 4.03]

# Sepal.Width = 2,3

petal_length_cut_f | Predicted |        95% CI
----------------------------------------------
(0,994,2,48]       |      1.01 | [-0.02, 2.03]
(2,48,3,95]        |      2.00 | [ 0.97, 3.03]
(3,95,5,43]        |      2.36 | [ 1.33, 3.39]
(5,43,6,91]        |      3.00 | [ 1.97, 4.03]

… … … 
asoasf

我已经在包的 GitHub 中发布了一个问题，但很高兴听到任何替代方案 （其他回归函数/方法，具有 ggpredict 或其他函数，可以计算序数模型中特定随机效应水平的 AME）。

多谢， 路易丝

Answer 1

根据定义，随机效应的所有级别均来自相同的分布。因此，您无法获得特定年份的估计值。随机效应主要用于指示批次（例如受试者ID）。如果模型以前没有见过，那么使用新的主题 ID 进行预测是没有意义的。这就是为什么模型中没有特定主题 ID 的系数，因此没有对任何随机效应的边际效应估计。随机效应只是为了分组，组名没有内在含义。