计算边缘效应：为什么ggeffect和ggemeans给出不同的答案？

Question

示例

library(glmmTMB)
library(ggeffects)

## Zero-inflated negative binomial model
(m <- glmmTMB(count ~ spp + mined + (1|site),
              ziformula=~spp + mined, 
              family=nbinom2, 
              data=Salamanders, 
              na.action = "na.fail"))
summary(m)

ggemmeans(m, terms="spp")
spp   | Predicted |       95% CI
--------------------------------
GP    |      1.11 | [0.66, 1.86]
PR    |      0.42 | [0.11, 1.59]
DM    |      1.32 | [0.81, 2.13]
EC-A  |      0.75 | [0.37, 1.53]
EC-L  |      1.81 | [1.09, 3.00]
DES-L |      2.00 | [1.25, 3.21]
DF    |      0.99 | [0.61, 1.62]

ggeffects::ggeffect(m, terms="spp")
spp   | Predicted |       95% CI
--------------------------------
GP    |      1.14 | [0.69, 1.90]
PR    |      0.44 | [0.12, 1.63]
DM    |      1.36 | [0.85, 2.18]
EC-A  |      0.78 | [0.39, 1.57]
EC-L  |      1.87 | [1.13, 3.07]
DES-L |      2.06 | [1.30, 3.28]
DF    |      1.02 | [0.63, 1.65]

问题

为什么Ggeffect和Ggemeans对边缘效应产生不同的结果？它只是内部的包装和效果如何计算它们的内部内容吗？另外，有人知道如何在示例中的模型中从头开始计算边际效应的一些资源吗？

Answer 1

您拟合一个复杂的模型：具有随机效应的零泄漏的负二项式模型。

您观察到的内容与模型规范无关。让我们通过拟合更简单的模型：仅具有固定效果的泊松来展示这一点。

library("glmmTMB")
library("ggeffects")

m <- glmmTMB(
  count ~ spp + mined,
  family = poisson,
  data = Salamanders
)

ggemmeans(m, terms = "spp")
#> # Predicted counts of count
#> 
#> spp   | Predicted |       95% CI
#> --------------------------------
#> GP    |      0.73 | [0.59, 0.89]
#> PR    |      0.18 | [0.12, 0.27]
#> DM    |      0.91 | [0.76, 1.10]
#> EC-A  |      0.34 | [0.25, 0.45]
#> EC-L  |      1.35 | [1.15, 1.59]
#> DES-L |      1.43 | [1.22, 1.68]
#> DF    |      0.79 | [0.64, 0.96]

ggeffect(m, terms = "spp")
#> # Predicted counts of count
#> 
#> spp   | Predicted |       95% CI
#> --------------------------------
#> GP    |      0.76 | [0.62, 0.93]
#> PR    |      0.19 | [0.13, 0.28]
#> DM    |      0.96 | [0.79, 1.15]
#> EC-A  |      0.35 | [0.26, 0.47]
#> EC-L  |      1.41 | [1.20, 1.66]
#> DES-L |      1.50 | [1.28, 1.75]
#> DF    |      0.82 | [0.67, 1.00]

该文档解释说，内部ggemmeans（）调用emmeans :: emmeans（） while ggeffect（ggeffect（） 。

emmeans 和效果计算边缘效应，但它们做出了不同的（默认）选择，如何将其边缘化（即平均上升） 按顺序进行要获得 spp 的效果。

开采是一个具有两个级别的分类变量：“是”和“否”。关键位是两个级别没有平衡：比“是” S多一点“否”。

xtabs(~ mined + spp, data = Salamanders)
#>      spp
#> mined GP PR DM EC-A EC-L DES-L DF
#>   yes 44 44 44   44   44    44 44
#>   no  48 48 48   48   48    48 48

直观地，这意味着开采的加权平均 [想想（44×Yes + 48×no）/92 ]与开采 [想想（是 +否）/2 ]。

让我们通过指定如何直接调用 emmeans :: emmeans（）（）时指定如何边缘化挖掘来检查直觉。

# mean (default)
emmeans::emmeans(m, "spp", type = "response", weights = "equal")
#>  spp    rate     SE  df lower.CL upper.CL
#>  GP    0.726 0.0767 636    0.590    0.893
#>  PR    0.181 0.0358 636    0.123    0.267
#>  DM    0.914 0.0879 636    0.757    1.104
#>  EC-A  0.336 0.0497 636    0.251    0.449
#>  EC-L  1.351 0.1120 636    1.148    1.590
#>  DES-L 1.432 0.1163 636    1.221    1.679
#>  DF    0.786 0.0804 636    0.643    0.961
#> 
#> Results are averaged over the levels of: mined 
#> Confidence level used: 0.95 
#> Intervals are back-transformed from the log scale

# weighted mean
emmeans::emmeans(m, "spp", type = "response", weights = "proportional")
#>  spp    rate     SE  df lower.CL upper.CL
#>  GP    0.759 0.0794 636    0.618    0.932
#>  PR    0.190 0.0373 636    0.129    0.279
#>  DM    0.955 0.0909 636    0.793    1.152
#>  EC-A  0.351 0.0517 636    0.263    0.469
#>  EC-L  1.412 0.1153 636    1.203    1.658
#>  DES-L 1.496 0.1196 636    1.279    1.751
#>  DF    0.822 0.0832 636    0.674    1.003
#> 
#> Results are averaged over the levels of: mined 
#> Confidence level used: 0.95 
#> Intervals are back-transformed from the log scale

第二个选项返回使用ggeffects :: ggeffect计算出的边际效果。

update

@daniel指出ggeffects接受权重参数，并将其传递给emmeans。这样，您可以继续使用ggeffects，并仍然控制预测的平均值以计算边际效果。

亲自尝试：

ggemmeans(m, terms="spp", weights = "proportional")
ggemmeans(m, terms="spp", weights = "equal")