एक lmer() से गुणांक को कैसे असुरक्षित करें - एक स्केल्ड प्रतिक्रिया

Question

के साथ लगाए गए मॉडल को में lmer() के साथ एक मॉडल लगाया गया है-lme4 पैकेज से कार्य।

mod <- lmer(scale(Y) 
       ~ X 
       + (X | Z), 
       data = df, 
       REML = FALSE) 

मैं fixef(mod) साथ फिक्स्ड प्रभाव गुणांक को देखो:

> fixef(mod) 
    (Intercept)  X1   X2   X3   X4 
    0.08577525 -0.16450047 -0.15040043 -0.25380073 0.02350007 

यह काफी से निश्चित प्रभाव गुणांक हाथ से साधन की गणना करने के लिए आसान है मैं निर्भर चर बढ़ाए गए हैं। हालांकि, मैं चाहता हूं कि उन्हें अनसुलझा किया जाए और मुझे यकीन है कि यह कैसे करना है। मुझे पता है कि स्केलिंग का मतलब हर Y से मानक को घटाकर और मानक विचलन से विचलित करना है। लेकिन दोनों, औसत और मानक विचलन, मूल डेटा से गणना की गई थी। मूल डेटा के औसत और मानक विचलन का उपयोग कर lmer() -model फिट करने के बाद क्या मैं बस इस प्रक्रिया को उलट सकता हूं?

किसी भी मदद के लिए धन्यवाद!

---

अद्यतन: जिस तरह से मैं मॉडल प्रस्तुत ऊपर सूचित करते हैं कि आश्रित चर सभी जवाबों से अधिक मतलब लेने और सभी प्रतिक्रियाओं के मानक विचलन से विभाजित करके माप लिया जाता है लगता है। आमतौर पर, यह अलग-अलग किया जाता है। समग्र माध्य और मानक विचलन लेने के बजाय प्रतिक्रियाओं को उस विषय के जवाबों के माध्य और मानक विचलन का उपयोग करके प्रति विषय मानकीकृत किया जाता है। (यह lmer() में अजीब है, मुझे लगता है कि यादृच्छिक अवरोध उस पर ध्यान देना चाहिए ... इस तथ्य का जिक्र नहीं है कि हम एक सामान्य पैमाने पर गणना की गणना के बारे में बात कर रहे हैं ...) समस्या हालांकि वही रहती है: एक बार जब मैं इस तरह के मॉडल को फिट किया गया है, क्या फिट मॉडल के गुणांक को पुन: सहेजने का एक साफ तरीका है?

Answer 1

अद्यतन: प्रतिक्रिया के साथ-साथ भविष्यवाणियों के स्केलिंग की अनुमति देने के लिए सामान्यीकृत।

यहां एक काफी कच्चे कार्यान्वयन है।

तो हमारे मूल (बगैर माप) प्रतिगमन

Y = b0 + b1*x1 + b2*x2 ... 

है तो फिर हमारे स्केल प्रतिगमन है

(Y0-mu0)/s0 = b0' + (b1'*(1/s1*(x1-mu1))) + b2'*(1/s2*(x2-mu2))+ ... 

यह

Y0 = mu0 + s0((b0'-b1'/s1*mu1-b2'/s2*mu2 + ...) + b1'/s1*x1 + b2'/s2*x2 + ...) 

i>0 के लिए

तो bi = s0*bi'/si और

के बराबर है

b0 = s0*b0'+mu0-sum(bi*mui) 

इस लागू:

ss <- scale(state.x77) 

स्केल्ड गुणांक:

m1 <- lm(Illiteracy~.,as.data.frame(state.x77)) 
b1 <- coef(m1) 

डेटा का एक छोटा संस्करण बनाओ:

rescale.coefs <- function(beta,mu,sigma) { 
    beta2 <- beta ## inherit names etc. 
    beta2[-1] <- sigma[1]*beta[-1]/sigma[-1] 
    beta2[1] <- sigma[1]*beta[1]+mu[1]-sum(beta2[-1]*mu[-1]) 
    beta2 
} 

एक रेखीय मॉडल के लिए इसे आजमाएं

m1S <- update(m1,data=as.data.frame(ss)) 
b1S <- coef(m1S) 

अब rescaling आजमा कर देखें:

icol <- which(colnames(state.x77)=="Illiteracy") 
p.order <- c(icol,(1:ncol(state.x77))[-icol]) 
m <- colMeans(state.x77)[p.order] 
s <- apply(state.x77,2,sd)[p.order] 
all.equal(b1,rescale.coefs(b1S,m,s)) ## TRUE 

मतलब यह है कि दोनों प्रतिक्रिया और भविष्यवक्ताओं मापा जाता है।

• आप पैमाने पर केवल प्रतिक्रिया और नहीं भविष्यवक्ताओं, तो आप प्रस्तुत करना चाहिए (m के लिए c(mean(response),rep(0,...)) और s (के लिए c(sd(response),rep(1,...)) यानी, m और s मूल्यों जिसके द्वारा चर स्थानांतरित कर दिया और उनके आकलन किया गया) कर रहे हैं।
हैं
• आप केवल भविष्यवक्ताओं और नहीं प्रतिक्रिया पैमाने पर है, तो c(0,mean(predictors))m और c(1,sd(predictors)) के लिए s के लिए सबमिट करें।