如何用marginaleffects绘制lme4多水平模型所有集群的平均预测图？

问题背景 #

使用lme4构建多水平模型mod5后，希望展示：当fem_parl_mean_diff变化、其余预测变量取均值时，不同性别群体的satislife预测变化，且呈现所有国家集群的平均结果。但marginaleffects::plot_predictions默认仅输出众数国家集群的图，分面图为单个国家结果，by参数也无法满足需求。

模型代码：

mod5 <- lmer (satislife ~ 1 + gender * (fem_parl_mean + fem_parl_mean_diff + intdate_day  + poly(age, degree = 3) + GDP) + (1 + gender | country), data = merged_df)

解决方案 #

核心是边缘化随机效应，即对所有国家集群的随机效应取平均，得到群体层面的预测结果，而非单个国家的结果。

方法1：用predictions()生成数据后自定义绘图

先生成群体平均的预测数据集，再用ggplot灵活绘图：

library(marginaleffects)
library(ggplot2)

# 生成预测数据：边缘化随机效应，其余变量取均值
preds <- predictions(
    mod5,
    newdata = datagrid(
        # 按区间生成fem_parl_mean_diff的取值，保证曲线平滑
        fem_parl_mean_diff = seq(min(merged_df$fem_parl_mean_diff, na.rm = TRUE), 
                                max(merged_df$fem_parl_mean_diff, na.rm = TRUE), 
                                length.out = 100),
        gender = unique(merged_df$gender),
        grid_type = "balanced",
        # 其余协变量取均值
        fem_parl_mean = mean(merged_df$fem_parl_mean, na.rm = TRUE),
        intdate_day = mean(merged_df$intdate_day, na.rm = TRUE),
        age = mean(merged_df$age, na.rm = TRUE),
        GDP = mean(merged_df$GDP, na.rm = TRUE)
    ),
    # 关键参数：边缘化随机效应，得到所有国家的平均结果
    re.form = ~0
)

# 绘制带置信区间的折线图
ggplot(preds, aes(x = fem_parl_mean_diff, y = estimate, color = gender)) +
    geom_line(linewidth = 1) +
    geom_ribbon(aes(ymin = conf.low, ymax = conf.high, fill = gender), 
                alpha = 0.2, color = NA) +
    labs(
        x = "fem_parl_mean_diff",
        y = "预测生活满意度",
        color = "性别",
        fill = "性别",
        title = "不同性别群体的生活满意度预测（所有国家平均）"
    ) +
    theme_minimal()

方法2：直接用plot_predictions()指定边缘化参数

如果想直接用plot_predictions()，只需添加re.form = ~0参数，即可跳过单个国家的随机效应，输出群体平均结果：

plot_predictions(
    mod5,
    condition = c("fem_parl_mean_diff", "gender"),
    newdata = datagrid(grid_type = "balanced"),
    # 边缘化随机效应，得到群体平均
    re.form = ~0
)

原理说明 #

re.form = ~0参数告诉模型不计算单个国家的随机效应预测值，而是对所有国家的随机效应进行边缘化处理，最终得到的是**群体平均（population-averaged）**的预测结果，完美匹配需求。

内容的提问来源于stack exchange，提问作者Nickii