lmer で当てはめた線形混合モデルの予測値です。当てはめの行、または新しいデータの行について、変量効果の項をすべて、一部、またはどれも含めずに計算します。必要に応じて、標準誤差も付けます。R の lme4::predict() と同等です。
lme4::predict()
行の予測値は、選ばれた項の上での x'β̂ + Σ z'b̂ です。ここで x は、当てはめが固定効果の行列を作ったのと同じ方法で、その行から作ったものです (項、対比、因子の水準、除かれた列を含みます)。b̂ は、その行の水準の条件付きモードです。変数に欠測値がある行は NaN になります。固定部分の因子の水準が当てはめになかった場合は、RangeError factor <name> has new level <value> になります (R では non-conformable arguments)。標準誤差は、θ̂ での (b, β) の条件付き共分散 σ² A K⁻¹ A' のものです (Henderson の方程式)。lme4 の値が誤っている場合 (交差するグループ化因子、一部の reForm の部分集合など) でも、正しく計算されます。
factor <name> has new level <value>
non-conformable arguments
reForm
lmer が返したオブジェクトです (そのコピーではありません)。
Optional
newdata、reForm、allowNewLevels、randomOnly、type、seFit (LmerPredictOptions を参照)。
newdata
allowNewLevels
randomOnly
type
seFit
const data = { y: [9.8, 10.4, 10.1, 12.3, 12.9, 12.0, 8.1, 7.6, 8.4], g: ["a", "a", "a", "b", "b", "b", "c", "c", "c"],};const fit = lmer("y ~ 1 + (1 | g)", data);lmerPredict(fit, { newdata: { g: ["a", "c"] } }).fit; // [10.101, 8.0565]lmerPredict(fit, { reForm: false }).fit[0]; // 10.178 コピー
const data = { y: [9.8, 10.4, 10.1, 12.3, 12.9, 12.0, 8.1, 7.6, 8.4], g: ["a", "a", "a", "b", "b", "b", "c", "c", "c"],};const fit = lmer("y ~ 1 + (1 | g)", data);lmerPredict(fit, { newdata: { g: ["a", "c"] } }).fit; // [10.101, 8.0565]lmerPredict(fit, { reForm: false }).fit[0]; // 10.178
lmer で当てはめた線形混合モデルの予測値です。当てはめの行、または新しいデータの行について、変量効果の項をすべて、一部、またはどれも含めずに計算します。必要に応じて、標準誤差も付けます。R の
lme4::predict()と同等です。行の予測値は、選ばれた項の上での x'β̂ + Σ z'b̂ です。ここで x は、当てはめが固定効果の行列を作ったのと同じ方法で、その行から作ったものです (項、対比、因子の水準、除かれた列を含みます)。b̂ は、その行の水準の条件付きモードです。変数に欠測値がある行は NaN になります。固定部分の因子の水準が当てはめになかった場合は、RangeError
factor <name> has new level <value>になります (R ではnon-conformable arguments)。標準誤差は、θ̂ での (b, β) の条件付き共分散 σ² A K⁻¹ A' のものです (Henderson の方程式)。lme4 の値が誤っている場合 (交差するグループ化因子、一部のreFormの部分集合など) でも、正しく計算されます。