Przewidywanie modeli mieszanych: co zrobić z efektami losowymi?

Rozważmy ten hipotetyczny zestaw danych:

set.seed(12345)

num.subjects <- 10

dose <- rep(c(1,10,50,100), num.subjects)
subject <- rep(1:num.subjects, each=4)
group <- rep(1:2, each=num.subjects/2*4)

response <- dose*dose/10 * group + rnorm(length(dose), 50, 30)

df <- data.frame(dose=dose, response=response, 
                 subject=subject, group=group)

możemy użyć lmedo modelowania odpowiedzi za pomocą modelu efektu losowego:

require(nlme)
model <- lme(response ~ dose + group + dose*group, 
             random = ~1|subject, df)

Chciałbym wykorzystać predictwynik tego modelu, aby uzyskać na przykład odpowiedź ogólnego podmiotu z grupy 1 na dawkę 10:

pred <- predict(model, newdata=list(dose=10, group=1))

Jednak z tym kodem pojawia się następujący błąd:

Error in predict.lme(model, newdata = list(dose = 10, group = 1)) : 
cannot evaluate groups for desired levels on 'newdata'

Aby się go pozbyć, muszę na przykład zrobić

pred <- predict(model, newdata=list(dose=10, group=1, subject=5))

Nie ma to jednak dla mnie większego sensu ... temat jest czynnikiem uciążliwym w moim modelu, więc w jakim sensie musi to uwzględniać predict? Jeśli wstawię numer podmiotu nieobecny w zbiorze danych, predictzwraca NA.

Czy jest to pożądane zachowanie predictw tej sytuacji? Czy brakuje mi czegoś naprawdę oczywistego?

mixed-model linear-model prediction

— Nico
źródło

model

X β + Z γ

$X\beta + Z\gamma$

y \sim N (X β + Z γ, σ^{2} I)

$y \sim N(X\beta+Z\gamma, \sigma^2 I)$

Z

$Z$

— usεr11852

@ user11852: aby wyjaśnić, myślę o tym jako o modelu, który można zastosować na przykład w przypadku powtarzających się pomiarów tego samego przedmiotu.

— nico

Z

$Z$

@ user11852: Nie szukam szacunków na ten sam temat. Powtarzam pomiary na różne tematy, aby uzyskać szacunki populacji. Nie dbam o tematy, które już testowałem, ponieważ mam już eksperymentalną odpowiedź ... Chcę być w stanie przewidzieć, jak nowy podmiot z określonej grupy zareaguje na bodziec. Odpowiedź Grega rzeczywiście rozwiązuje problem.

— nico

Jeśli spojrzysz na pomoc predict.lme, zobaczysz, że ma ona levelargument, który określa, na którym poziomie dokonać prognoz. Wartością domyślną jest najwyższa lub najbardziej wewnętrzna, co oznacza, że jeśli nie określisz poziomu, próbuje on przewidzieć na poziomie przedmiotu. Jeśli określisz level=0jako część pierwszego predictpołączenia (bez subject), poda ono prognozę na poziomie populacji i nie będzie potrzebować numeru przedmiotu.

— Greg Snow
źródło