R - Extraire l'objet spline ns du modèle lmer et prédire les nouvelles données

Question

Je cherche à prédire des 'termes', en particulier des splines ns, à partir d'un modèle lmer. J'ai répliqué le problème avec le jeu de données mtcars (exemple techniquement médiocre, mais fonctionne pour faire passer le point).

Voici ce que je suis en train de faire avec un modèle linéaire:

data(mtcars) 
mtcarsmodel <- lm(wt ~ ns(drat,2) + hp + as.factor(gear), data= mtcars) 
summary(mtcarsmodel) 
coef(mtcarsmodel) 
test <- predict(mtcarsmodel, type = "terms") 

Parfait. Cependant, il n'y a pas d'option 'terms' équivalente pour lmer predict (unresolved issue here).

mtcarsmodellmer <- lmer(wt ~ ns(drat,2) + (hp|as.factor(gear)), data= mtcars) 
summary(mtcarsmodellmer) 
coef(mtcarsmodellmer) 
ranef(mtcarsmodellmer) 

Étant donné qu'il n'y a pas équivalent »prédire, les termes de la fonction, j'allais extraire les coefficients fixes et aléatoires ci-dessus et appliquer les coefficients aux données mtcars, mais ont aucune idée sur la façon d'extraire une spline ns objet d'un modèle et «le prédire» à de nouvelles données. La même chose vaut pour une variable transformée «poly», par exemple. poly (drat, 2) - félicitations supplémentaires si vous pouvez obtenir cela aussi bien.

Answer 1

Il n'est pas difficile de le faire vous-même.

library(lme4) 
library(splines) 
X <- with(mtcars, ns(drat, 2)) ## design matrix for splines (without intercept) 
## head(X) 
#    1   2 
#[1,] 0.5778474 -0.1560021 
#[2,] 0.5778474 -0.1560021 
#[3,] 0.5738625 -0.1792162 
#[4,] 0.2334329 -0.1440232 
#[5,] 0.2808520 -0.1704002 
#[6,] 0.0000000 0.0000000 

## str(X) 
# ns [1:32, 1:2] 0.578 0.578 0.574 0.233 0.281 ... 
# - attr(*, "dimnames")=List of 2 
# ..$ : NULL 
# ..$ : chr [1:2] "1" "2" 
# - attr(*, "degree")= int 3 
# - attr(*, "knots")= Named num 3.7 
# ..- attr(*, "names")= chr "50%" 
# - attr(*, "Boundary.knots")= num [1:2] 2.76 4.93 
# - attr(*, "intercept")= logi FALSE 
# - attr(*, "class")= chr [1:3] "ns" "basis" "matrix" 

fit <- lmer(wt ~ X + (hp|gear), data= mtcars) 

beta <- coef(fit) 
#$gear 
#   hp (Intercept)  X1   X2 
#3 0.010614406 2.455403 -2.167337 -0.9246454 
#4 0.014601363 2.455403 -2.167337 -0.9246454 
#5 0.006342761 2.455403 -2.167337 -0.9246454 
# 
#attr(,"class") 
#[1] "coef.mer" 

Si nous voulons prédire le terme ns, il suffit de faire

## use `predict.ns`; read `?predict.ns` 
x0 <- seq(1, 5, by = 0.2) ## example `newx` 
Xp <- predict(X, newx = x0) ## prediction matrix 
b <- with(beta$gear, c(X1[1], X2[1])) ## coefficients for spline 
y <- Xp %*% b ## predicted mean 

plot(x0, y, type = "l")