与零充气glmmTMB的对比

Question

我正在运行一个零膨胀的glmmTMB模型。我感兴趣的是，对不同的因素水平进行两两比较，无论是条件因素还是零通胀因素。条件部分，我可以很容易地使用通常的emmeans方法。我一直在尝试使用(相对的)新创建的glmmTMB:::emm_basis.glmmTMB，但是找不到函数所使用的一些参数，也找不到例子.

这是一个玩具例子，说明我目前的处境。我专门向模型中添加了一个poly()组件--我的整个模型有poly()和ns()，因此需要在这里了解这些组件是如何工作的。

因此，下面的问题是: 1)是否正确地提供了trms参数? 2) emm_basis.glmmTMB函数需要哪些xlev和grid参数？

library(glmmTMB)

data(Salamanders)
mod <- glmmTMB(count ~ spp + mined + poly(cover, 2) + (1|site), zi=~spp + mined, Salamanders, 
   family=nbinom2)

tt <- y ~ spp + mined + poly(cover, 2)
tt <- delete.response(terms(tt))

glmmTMB:::emm_basis.glmmTMB(mod,  trms = tt)

非常感谢你的想法！

Answer 1

函数emm_basis()和recover_data()是对emmeans包的支持函数，为许多不同的模型类(包括glmmTMB )提供了方法。这些函数不是由用户调用的--这就是为什么它们被注册为方法而不是导出。

相反，只需调用emmeans()或中的其他函数，就意味着包，这些方法将根据需要使用。

对于glmmTMB对象，emmeans()调用中可能包含一个可选的参数component。在你的例子中：

> emmeans(mod, ~spp, component = "cond")
 spp   emmean    SE  df lower.CL upper.CL
 GP     0.440 0.225 624 -0.00146    0.881
 PR    -0.382 0.483 624 -1.32983    0.566
 DM     0.596 0.203 624  0.19723    0.994
 EC-A   0.145 0.327 624 -0.49699    0.787
 EC-L   0.991 0.231 624  0.53814    1.445
 DES-L  1.009 0.188 624  0.64015    1.379
 DF     0.332 0.217 624 -0.09448    0.758

Results are averaged over the levels of: mined 
Results are given on the log (not the response) scale. 
Confidence level used: 0.95 

(我们实际上不需要包括component，因为默认的是cond。)这些结果都在对数尺度上，这是nbinom2族用于拟合模型的条件部分的结果。通过指定type，您可以在响应规模上看到这些结果

> emmeans(mod, ~spp, type = "response")
 spp   response    SE  df lower.CL upper.CL
 GP       1.553 0.349 624    0.999     2.41
 PR       0.682 0.329 624    0.265     1.76
 DM       1.814 0.368 624    1.218     2.70
 EC-A     1.156 0.378 624    0.608     2.20
 EC-L     2.695 0.622 624    1.713     4.24
 DES-L    2.744 0.516 624    1.897     3.97
 DF       1.394 0.303 624    0.910     2.13

Results are averaged over the levels of: mined 
Confidence level used: 0.95 
Intervals are back-transformed from the log scale

您可以通过compoenent = "zi"看到模型的零充气部分。

> emmeans(mod, ~spp, component = "zi", type = "response")
 spp   response     SE  df lower.CL upper.CL
 GP       0.455 0.1064 624   0.2646    0.660
 PR       0.763 0.1406 624   0.4115    0.937
 DM       0.273 0.1128 624   0.1097    0.534
 EC-A     0.719 0.1020 624   0.4870    0.873
 EC-L     0.365 0.1085 624   0.1864    0.590
 DES-L    0.278 0.0989 624   0.1275    0.503
 DF       0.132 0.1150 624   0.0207    0.522

Results are averaged over the levels of: mined 
Confidence level used: 0.95 
Intervals are back-transformed from the logit scale

此时，似乎无法估计实际的平均响应(1 - zi)*(cond平均值)；这是有用的，但非常混乱，因为它需要将这两个组件组合在一起。