多重插补数据集下lmer模型生成池化边际效应的问题

该问题是两个特性叠加导致的：

1. ggeffect() 和 ggpredict() 底层逻辑和返回结构不同：ggpredict() 是ggeffects包原生开发的预测函数，对所有适配模型类返回的结果都遵循统一的结构标准，内置了预测值、标准误、自由度等池化必需的元数据；而ggeffect()是对effects包Effect()函数的封装，返回的ggeffect类对象结构会随模型类变化，针对lmer返回的混合模型结果，缺少pool_predictions()要求的标准化属性。
2. 混合模型的ggeffect()边际效应结果，默认没有携带多重插补池化所需的变异估计相关字段，和lm类的ggeffect结果结构不一致，导致池化函数无法正常读取计算所需的数值。

有两种可行方案可以获得lmer模型的池化边际效应：

方案1：用ggpredict()指定参数模拟边际效应（优先推荐） #

你需要的均值±1标准差的边际效应，本质是计算固定效应时纳入随机效应方差的估计结果，直接用ggpredict()时指定type = "re"（即包含随机效应的变异），返回结果可以直接用pool_predictions()池化，同时可以通过terms参数直接指定目标变量的取值为均值±1标准差，和你使用ggeffect()的需求完全匹配：

predictions_fix <- lapply(1:5, function(i) {
  m4 <- lmer(bmi ~ age + chl + (1|hyp), data = complete(imp, action = i))
  # terms参数中[meansd]指定返回目标变量均值、+1SD、-1SD对应的结果
  ggpredict(m4, terms = "age [meansd]", type = "re")
})
pool_predictions(predictions_fix)

该方案得到的结果和ggeffect()返回的边际效应几乎一致，且完全兼容现有池化逻辑，不需要额外手动处理。

方案2：手动提取ggeffect结果完成池化 #

如果你必须使用ggeffect()的计算逻辑，可以手动从每个插补数据集的ggeffect结果中提取预测值和标准误，用mice包的pool.scalar()函数遵循鲁宾规则手动完成池化：

# 提取每个插补的ggeffect结果
pred_list <- lapply(1:5, function(i) {
  m4 <- lmer(bmi ~ age + chl + (1|hyp), data = complete(imp, action = i))
  eff <- ggeffect(m4, "age")
  return(data.frame(
    x = eff$x,
    predicted = eff$predicted,
    std.error = eff$std.error
  ))
})

# 按效应分组分别池化
unique_x <- unique(pred_list[[1]]$x)
pooled_res <- lapply(unique_x, function(x_val) {
  q <- sapply(pred_list, function(d) d$predicted[d$x == x_val])
  u <- sapply(pred_list, function(d) d$std.error[d$x == x_val]^2)
  pool_out <- pool.scalar(q, u, n = nrow(complete(imp, 1)))
  return(data.frame(
    x = x_val,
    predicted = pool_out$qbar,
    std.error = sqrt(pool_out$t),
    conf.low = pool_out$qbar - 1.96 * sqrt(pool_out$t),
    conf.high = pool_out$qbar + 1.96 * sqrt(pool_out$t)
  ))
})
pooled_res <- do.call(rbind, pooled_res)

得到的pooled_res就是池化后的边际效应结果，可以直接用于后续绘图。

内容的提问来源于stack exchange，提问作者riepenha