График предельного эффекта, не соответствующий коэффициенту заболеваемости в R

Я пытаюсь изобразить предельный эффект конкретной переменной в регрессии Пуассона, а затем сопоставить этот график с соответствующим коэффициентом заболеваемости.

Я добился этого для большинства своих сюжетов. Однако для одного из них коэффициент заболеваемости сигнализирует об общей положительной связи интересующей меня переменной, а график показывает явно отрицательную связь. Насколько я понимаю, с этим должно быть что-то не так.

Не могли бы вы помочь мне ? :) Возможно, я что-то не так понимаю в своем анализе ...

Сначала я создаю модель Пуассона:

model3<- glm(y ~ x1*x2 + x3 + x4 + x5, data=data, family = poisson)

Из которых я получаю следующие IRR

poissonirr(y ~ x1*x2 + x3 + x4 + x5, data=data)

Incidence-Rate Ratio:
                         IRR  Std. Err.        z     P>|z|    
x1                 1.03404133 0.00471847   7.3359 2.202e-13 ***
x2                 1.16795382 0.01235611  14.6752 < 2.2e-16 ***
x3                 0.63214010 0.00817795 -35.4523 < 2.2e-16 ***
x4                 1.00468920 0.00095329   4.9305 8.204e-07 ***
x5                 0.98118299 0.00267124  -6.9776 3.003e-12 ***
x1:x2              0.99382845 0.00073716  -8.3462 < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Затем я рисую предельный эффект первой переменной в модели (x1) и получаю следующий график:

plot_model(model3, type = "eff", terms = c("x1"))

график регрессии Пуассона x1 против y (с отрицательной ассоциацией)

который ясно показывает очевидную отрицательную связь между x1 и y

заранее спасибо !!

(Я использую пакет mfx для расчета IRR и sjPlot :: plot_model для построения графика)


r regression poisson marginal-effects
person Miquel Serna Pascual    schedule 08.11.2019    source источник
comment
Вам может помочь кто-то, кто хорошо знаком с этим пакетом (вы не упомянули - это mfx?) Или с коэффициентами инцидентов. Но без данных примера или кода, использованного для построения графика, немногие могут ответить.   -  person markhogue    schedule 08.11.2019
comment
Спасибо @markhogue, я только что опубликовал код, который использовал для построения графика, и да, пакет, который я использую для IRR, - это mfx и для построения plot_model.   -  person Miquel Serna Pascual    schedule 08.11.2019
comment
Итак, просто наблюдение, и я ничего не знаю об этом - может ли проблема быть в том, что модель x1 * x2, а не x1 сама по себе? x1 * x2 имеет отрицательный наклон, но оба x1 и x2 сами по себе показывают положительный. Возможно, plot_model не получает ожидаемые детали модели.   -  person markhogue    schedule 08.11.2019
comment
Это может иметь какое-то отношение к взаимодействию, возможно ли поделиться подмножеством ваших данных? В противном случае довольно сложно понять, что же такого странного в этой регрессии.   -  person StupidWolf    schedule 09.11.2019
comment
И чтобы добавить, уровень заболеваемости - это просто экспонента коэффициентов регрессии Пуассона, следовательно, irr ‹1 означает отрицательный коэффициент при регрессии Пуассона.   -  person StupidWolf    schedule 09.11.2019
comment
Всем большое спасибо! Действительно, проблема во взаимодействии. IRR относится к эффекту x1, когда x2 равен 0, и эффект изменяется, как описано IRR самого взаимодействия. Таким образом, IRR не отражал влияние x1 на весь набор данных. Сюжет был правильным. Решение, которое мы нашли, заключалось в том, чтобы отобразить эффект x1 при различных значениях x2 (с помощью параметра int в plot_model, поэтому мы получили гораздо лучшее представление о том, что происходит, и мы успешно пришли к нашим выводам. Спасибо @markhogue и @StupidWolf! Действительно ценю это! :)   -  person Miquel Serna Pascual    schedule 12.11.2019

Ответы (1)


arrow_upward
0
arrow_downward

Поскольку задействовано взаимодействие, вы не можете интерпретировать только основной эффект, но вам нужно принять во внимание эффект взаимодействия. Таким образом, я бы рекомендовал построить следующее:

plot_model(model3, type = "eff", terms = c("x1", "x2"))

Эффект x1 различен для разных значений / уровней x2. Таким образом, ваш график, который учитывает только x1, вводит в заблуждение (как и коэффициент для x1, если вы также не смотрите на коэффициент для x1:x2).

person Daniel    schedule 22.11.2019