r - glmmTMB、事后测试和 glht

Question

我正在使用 glmmTMB 分析负二项式广义线性混合模型 (GLMM)，其中因变量是过度分散的计数数据 (CT)。

相关数据框中有 115 个样本(行)。有两个固定效应 (F1, F2) 和一个随机截距 (R)，其中嵌套了另一个随机效应 (NR)。还有一个偏移量，由每个样本中总计数的自然对数 (LOG_TOT) 组成。

数据框 df 的示例是:

CT  F1  F2  R   NR  LOG_TOT
77  0   0   1   1   12.9
167 0   0   2   6   13.7
289 0   0   3   11  13.9
253 0   0   4   16  13.9
125 0   0   5   21  13.7
109 0   0   6   26  13.6
96  1   0   1   2   13.1
169 1   0   2   7   13.7
190 1   0   3   12  13.8
258 1   0   4   17  13.9
101 1   0   5   22  13.5
94  1   0   6   27  13.5
89  1   25  1   4   13.0
166 1   25  2   9   13.6
175 1   25  3   14  13.7
221 1   25  4   19  13.8
131 1   25  5   24  13.5
118 1   25  6   29  13.6
58  1   75  1   5   12.9
123 1   75  2   10  13.4
197 1   75  3   15  13.7
208 1   75  4   20  13.8
113 1   8   1   3   13.2
125 1   8   2   8   13.7
182 1   8   3   13  13.7
224 1   8   4   18  13.9
104 1   8   5   23  13.5
116 1   8   6   28  13.7
122 2   0   1   2   13.1
115 2   0   2   7   13.6
149 2   0   3   12  13.7
270 2   0   4   17  14.1
116 2   0   5   22  13.5
94  2   0   6   27  13.7
73  2   25  1   4   12.8
61  2   25  2   9   13.0
185 2   25  3   14  13.8
159 2   25  4   19  13.7
125 2   25  5   24  13.6
75  2   25  6   29  13.5
121 2   8   1   3   13.0
143 2   8   2   8   13.8
219 2   8   3   13  13.9
191 2   8   4   18  13.7
98  2   8   5   23  13.5
115 2   8   6   28  13.6
110 3   0   1   2   12.8
123 3   0   2   7   13.6
210 3   0   3   12  13.9
354 3   0   4   17  14.4
160 3   0   5   22  13.7
101 3   0   6   27  13.6
69  3   25  1   4   12.6
112 3   25  2   9   13.5
258 3   25  3   14  13.8
174 3   25  4   19  13.5
171 3   25  5   24  13.9
117 3   25  6   29  13.7
38  3   75  1   5   12.1
222 3   75  2   10  14.1
204 3   75  3   15  13.5
235 3   75  4   20  13.7
241 3   75  5   25  13.8
141 3   75  6   30  13.9
113 3   8   1   3   12.9
90  3   8   2   8   13.5
276 3   8   3   13  14.1
199 3   8   4   18  13.8
111 3   8   5   23  13.6
109 3   8   6   28  13.7
135 4   0   1   2   13.1
144 4   0   2   7   13.6
289 4   0   3   12  14.2
395 4   0   4   17  14.6
154 4   0   5   22  13.7
148 4   0   6   27  13.8
58  4   25  1   4   12.8
136 4   25  2   9   13.8
288 4   25  3   14  14.0
113 4   25  4   19  13.5
162 4   25  5   24  13.7
172 4   25  6   29  14.1
2   4   75  1   5   12.3
246 4   75  3   15  13.7
247 4   75  4   20  13.9
114 4   8   1   3   13.1
107 4   8   2   8   13.6
209 4   8   3   13  14.0
190 4   8   4   18  13.9
127 4   8   5   23  13.5
101 4   8   6   28  13.7
167 6   0   1   2   13.4
131 6   0   2   7   13.5
369 6   0   3   12  14.5
434 6   0   4   17  14.9
172 6   0   5   22  13.8
126 6   0   6   27  13.8
90  6   25  1   4   13.1
172 6   25  2   9   13.7
330 6   25  3   14  14.2
131 6   25  4   19  13.7
151 6   25  5   24  13.9
141 6   25  6   29  14.2
7   6   75  1   5   12.2
194 6   75  2   10  14.2
280 6   75  3   15  13.7
253 6   75  4   20  13.8
45  6   75  5   25  13.4
155 6   75  6   30  13.9
208 6   8   1   3   13.5
97  6   8   2   8   13.5
325 6   8   3   13  14.3
235 6   8   4   18  14.1
112 6   8   5   23  13.6
188 6   8   6   28  14.1

随机和嵌套随机效应被视为因素。固定效应 F1 的值为 0、1、2、3、4 和 6。固定效应 F2 的值为 0、8、25 和 75。我将固定效应视为连续的，而不是有序的，因为我会喜欢识别因变量 CT 的单调单向变化，而不是上下变化。

我之前使用 lme4 包作为混合模型分析数据:

library(lme4)

m1 <- lmer(CT ~ F1*F2 + (1|R/NR) +
offset(LOG_TOT), data = df, verbose=FALSE)

随后在 multcomp 包中使用 glht，使用公式方法进行事后分析:

library(multcomp)

glht_fixed1 <- glht(m1, linfct = c(
"F1 == 0",
"F1 + 8*F1:F2 == 0",
"F1 + 25*F1:F2 == 0",
"F1 + 75*F1:F2 == 0",
"F1 + (27)*F1:F2 == 0"))

glht_fixed2 <- glht(m1, linfct = c(
"F2 + 1*F1:F2 == 0",
"F2 + 2*F1:F2 == 0",
"F2 + 3*F1:F2 == 0",
"F2 + 4*F1:F2 == 0",
"F2 + 6*F1:F2 == 0",
"F2 + (3.2)*F1:F2 == 0"))

glht_omni <- glht(m1)

这是相应的负二项式 glmmTMB 模型，我现在更喜欢它:

library(glmmTMB)

m2 <- glmmTMB(CT ~ F1*F2 + (1|R/NR) + 
offset(LOG_TOT), data = df, verbose=FALSE, family="nbinom2")

根据 Ben Bolker (https://stat.ethz.ch/pipermail/r-sig-mixed-models/2017q3/025813.html) 的建议，使用 glmmTMB 进行事后测试的最佳方法是使用 lsmeans(？或其更新的等效项 emmeans)。

我听从了本的建议，运行

source(system.file("other_methods","lsmeans_methods.R",package="glmmTMB"))

然后我可以在 glmmTMB 对象上使用 emmeans。例如，

as.glht(emmeans(m2,~(F1 + 27*F1:F2)))

General Linear Hypotheses

Linear Hypotheses:
Estimate
3.11304347826087, 21 == 0 -8.813

但这似乎不正确。我也可以将 F1 和 F2 更改为因数，然后试试这个:

as.glht(emmeans(m2,~(week + 27*week:conc)))

     General Linear Hypotheses

Linear Hypotheses:
           Estimate
0, 0 == 0    -6.721
1, 0 == 0    -6.621
2, 0 == 0    -6.342
3, 0 == 0    -6.740
4, 0 == 0    -6.474
6, 0 == 0    -6.967
0, 8 == 0    -6.694
1, 8 == 0    -6.651
2, 8 == 0    -6.227
3, 8 == 0    -6.812
4, 8 == 0    -6.371
6, 8 == 0    -6.920
0, 25 == 0   -6.653
1, 25 == 0   -6.648
2, 25 == 0   -6.282
3, 25 == 0   -6.766
4, 25 == 0   -6.338
6, 25 == 0   -6.702
0, 75 == 0   -6.470
1, 75 == 0   -6.642
2, 75 == 0   -6.091
3, 75 == 0   -6.531
4, 75 == 0   -5.762
6, 75 == 0   -6.612

但是，我还是不确定如何让这个输出符合我的意愿。如果有人能告诉我如何使用 glmmTMB 将 glht 和 linfct 中公式的使用正确地转移到 emmeans 场景中，我将不胜感激。我已经阅读了所有的手册和小插曲，直到我脸色发青(或者至少有这种感觉)，但我仍然不知所措。在我的辩护中(有罪？)我是一个统计初学者，如果我在这里问一个答案非常明显的问题，我深表歉意。

glht 软件和事后测试直接转移到 glmmADMB 包，但 glmmADMB 比 glmmTMB 慢 10 倍。我需要多次运行此分析，每次运行 300,000 个负二项式混合模型示例，因此速度至关重要。

非常感谢您的建议和帮助!

Answer 1

emmeans 的第二个参数 (specs) 与 中的 linfct 参数不相同>glht，所以你不能以同样的方式使用它。您必须按照预期的方式使用它来调用 emmeans()。 as.glht() 函数将结果转换为 glht 对象，但实际上没有必要这样做，因为 emmeans 摘要会产生相似的结果。

我认为您尝试获得的结果可以通过以下方式获得

emmeans(m2, ~ F2, at = list(F2 = c(0, 8, 25, 75)))

(使用带有预测变量的原始模型作为定量变量)。这将计算调整后的均值，将 F1 保持在其平均值，以及 F2 的每个指定值。

请查看emmeans() 的文档。此外，还有许多提供解释和示例的小插图——从 https://cran.r-project.org/web/packages/emmeans/vignettes/basics.html 开始。 .