二项式GLMM输出显著效应，为何预测图CI误差棒重叠？

模型与代码信息 #

拟合的二项式GLMM代码 #

m17 <- glmer(Attendance ~ Day + Sex + (1|AgeClass) + (1|Year) + (1|Plastic), data = test2, family = binomial(link = "logit"))

预测图绘制代码 #

plot_model(m17, type = "pred" ,
                    terms = c("Day [all]", "Sex"), 
                    colors = c("blue", "red"), 
                    ci.lvl = .95,
                    legend.title = NA,
                    line.size = 1,
                    show.legend = FALSE) +
  labs(x = "Days Relative to Clutch Initiation", y = "P(Attend at night)", title = NULL) +
  scale_x_continuous(expand = c(0, 0), breaks = breaks, labels = labels) + 
  scale_y_continuous(limit = c(0, 1), expand = c(0, 0)) + 
  theme_classic() + 
  guides(fill=guide_legend(nrow=2,byrow=TRUE)) +
  theme(axis.text=element_text(size=22, color = "black", family = "serif"), 
        axis.title=element_text(size=22, color = "black", family = "serif"), 
        axis.title.x = element_text(vjust=-0.5),
        axis.title.y = element_text(vjust=2.5),
        axis.ticks.length=unit(0.1,"inch"), 
        legend.key.size = unit(1, 'cm'), 
        legend.position = c(0.15, 0.92),
        legend.text = element_text(colour="black", size=20, family = "serif"),
        plot.margin = margin(1,.5,1,1, "cm"))

模型摘要输出 #

Generalized linear mixed model fit by maximum likelihood (Laplace  Approximation)
 [glmerMod]
 Family: binomial  ( logit )
Formula: Attendance ~ Day + Sex + (1 | AgeClass) + (1 | Year) + (1 | Plastic)
   Data: test2

     AIC      BIC   logLik deviance df.resid 
 16138.4  16182.7  -8063.2  16126.4    11868 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-1.5394 -0.9688 -0.5740  0.9656  1.8762 

Random effects:
 Groups   Name        Variance  Std.Dev.
 Plastic  (Intercept) 0.1374817 0.3708  
 Year     (Intercept) 0.0531973 0.2306  
 AgeClass (Intercept) 0.0009734 0.0312  
Number of obs: 11874, groups:  Plastic, 237; Year, 4; AgeClass, 3

Fixed effects:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)  0.135928   0.137669   0.987  0.32347    
Day         -0.005972   0.002061  -2.897  0.00377 ** 
SexFemales  -0.248756   0.063937  -3.891    1e-04 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
           (Intr) Day   
Day        -0.378       
SexFemales -0.240  0.004

核心问题 #

模型摘要显示Day和Sex对Attendance均有显著效应，但用plot_model绘制预测图时，不同性别的预测概率CI误差棒几乎重叠，想确认是log-odds系数转换为预测概率导致的问题，还是绘图代码有误。

问题解答 #

1. 绘图代码无错误：你的绘图逻辑完全合理，plot_model(type="pred")会基于模型固定效应计算预测概率，正确完成log-odds到概率尺度的转换，CI计算也符合规范。

2. 核心原因：log-odds到概率的非线性转换：

   • Sex的log-odds系数为-0.2488，对应的概率差异需通过logit逆函数计算：截距0.1359对应的概率为plogis(0.1359) ≈ 0.534，女性的概率为plogis(0.1359 - 0.2488) ≈ 0.472，两者概率差仅约0.06，数值差异本身很小。
   • 概率尺度的CI由log-odds尺度的CI转换而来，非线性转换会让概率接近0.5时的CI更窄，进一步压缩视觉差异，导致误差棒看起来重叠。

3. 验证方法：

   • 手动计算预测概率及其CI：提取固定效应估计值和协方差矩阵，计算log-odds的CI后转换为概率尺度，与plot_model结果对比，确认一致性。
   • 绘制log-odds尺度的预测图（type="pred", transform=NULL），此时能看到Sex的效应和CI在log-odds尺度上有明显区分，证明模型的显著效应真实存在，只是概率尺度下差异被压缩。

4. 呈现建议：

   • 若需突出Sex的效应，可在图中标注两组平均概率差异，或在文本中明确说明数值差异与统计显著性，不要仅依赖视觉呈现。
   • 也可调整y轴范围聚焦在概率差异区间（如0.45-0.55），放大视觉差异，但需注意避免误导读者。

内容的提问来源于stack exchange，提问作者NeedHelpWithR