Plotten glm Interaktionen: "newdata=" Struktur in der predict () - Funktion

Mein problem ist mit der predict() Funktion, seiner Struktur und der Darstellung der Vorhersagen.

Mit den Vorhersagen aus meinem Modell, würde ich mag, um zu visualisieren, wie mein signifikanten Faktoren (und deren Interaktion) Einfluss auf die Wahrscheinlichkeit, dass meine abhängige variable.

Mein Modell: 

m1  <-glm ( mating ~  behv * pop + 
                      I(behv^2) * pop + condition, 
                      data=data1, family=binomial(logit))

Paarung: individuelle verpaart hat oder nicht (Faktor, Binomische: 0,1)

pop: Bevölkerung (Faktor 4 Ebenen)

behv: Verhalten (numerisch, skaliert & zentriert)

Zustand: relativer Fettgehalt (numerisch skaliert & zentriert)

Erheblichen Auswirkungen nach dem ausführen des glm:

pop1

Zustand

behv*pop2

behv^2*pop1

Obwohl ich gelesen habe die Hilfe-Seiten, die früheren Antworten zu ähnlichen Fragen, tutorials usw., Ich konnte nicht herausfinden, wie die Struktur der newdata= Teil in der predict() Funktion. Die Effekte, die ich möchte, zu visualisieren (oben) könnte einen Anhaltspunkt geben, was ich will: Für die "behv*pop2" Interaktion, zum Beispiel, würde ich mag, um einen Graphen, der zeigt, wie sich das Verhalten von Einzelpersonen aus der Bevölkerung-2 beeinflussen können, ob Sie Paaren oder nicht (Wahrscheinlichkeit von 0 bis 1).

InformationsquelleAutor user33939 | 2014-05-23
  1. 3

    Wirklich das einzige, was predict erwartet wird, dass die Namen der Spalten in newdata genau entsprechen den Namen der Spalten in die Formel ein. Und Sie müssen die Werte für jede Ihrer Prädiktoren. Hier einige Beispiel-Daten.

    #sample data
set.seed(16)
data <- data.frame(
    mating=sample(0:1, 200, replace=T),
    pop=sample(letters[1:4], 200, replace=T),
    behv = scale(rpois(200,10)),
    condition = scale(rnorm(200,5))
)

data1<-data[1:150,]     #for model fitting
data2<-data[51:200,-1]  #for predicting

    Dann dies passt in das Modell mit data1 und Vorhersage in data2

    model<-glm ( mating ~  behv * pop + 
    I(behv^2) * pop + condition, 
    data=data1, 
    family=binomial(logit)) 

predict(model, newdata=data2, type="response")

    Mit type="response" geben Sie die vorhergesagten Wahrscheinlichkeiten.

    Nun, Vorhersagen zu machen, die Sie nicht verwenden, eine Teilmenge aus der exakt gleichen data.frame. Sie können eine neue erstellen, um zu untersuchen, einen bestimmten Wertebereich (nur stellen Sie sicher, dass die Spaltennamen übereinstimmen. Um also zu erkunden behv*pop2 (oder behv*popb in meinem Beispiel-Daten), könnte ich Daten erstellen.Rahmen wie dieser

    popbbehv<-data.frame(
    pop="b",
    behv=seq(from=min(data$behv), to=max(data$behv), length.out=100),
    condition = mean(data$condition)
)

    Hier habe ich fix pop="b" also ich bin nur auf der Suche an der pop, und da ich condition wie gut ich das beheben, dass bei der mittleren von den ursprünglichen Daten. (Ich konnte einfach 0 da die Daten zentriert und skaliert werden.) Jetzt habe ich einen Bereich festlegen von behv Werte, die mich interessieren. Hier habe ich die Palette von den ursprünglichen Daten, und teilen Sie es in 100 Regionen. Das wird mir genügend Punkte für den plot. So nochmal ich mit predict zu bekommen 

    popbbehvpred<-predict(model, newdata=popbbehv, type="response")

    und dann kann ich die Handlung, die mit 

    plot(popbbehvpred~behv, popbbehv, type="l")

    Plotten glm Interaktionen:

    Obwohl nichts ist bedeutender in meinem fake-Daten, können wir sehen, dass höher Verhalten Werte scheinen weniger die Paarung für die Bevölkerung B.

    InformationsquelleAutor MrFlick
Schreibe einen Kommentar