library(lme4)
out <- glmer(cbind(incidence, size - incidence)
~ period
+ (1 | herd),
data = cbpp,
family = binomial,
contrasts = list(period = "contr.sum"))
summary(out)
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.32337 0.22129 -10.499 < 2e-16 ***
period1 0.92498 0.18330 5.046 4.51e-07 ***
period2 -0.06698 0.22845 -0.293 0.769
period3 -0.20326 0.24193 -0.840 0.401
Eu nunca estava em uma situação em que precisava ajustar um modelo linear generalizado com codificação de efeito ( contr.sum
para R
usuários). Posso aplicar a mesma interpretação que no caso do modelo linear? Em um modelo linear normal, a intercepção seria a grande média e o s (parâmetros para , , e os efeitos, isto é, como os níveis dos factores desviar-se da média geral.period1
period2
period3
period4 = (Intercept) - period1 - period2 - period3
Aqui está como eu acho que a interpretação análoga para modelos lineares generalizados ocorre. (Vou exponenciar todos os parâmetros e, portanto, transformar as probabilidades de log (-ratios) em probabilidades (-ratios).) A interceptação seria então as chances gerais de sucesso versus falha ( seguindo a terminologia binomial clássica) e os são os log-odds-ratios . E temos as probabilidades de, por exemplo , adicionando e depois exponenciando: . As realmente as probabilidades gerais / médias e as sβ (interceptação) + período1 exp ( (interceptação) + período1 ) (interceptação) βperiod1
odds ratio ?