R语言中使用clmm2开展敏感性功效分析如何输入预设beta估计值
clmm2敏感性功效分析的预设效应接入方案
你尝试在模型拟合完成后通过model$beta["temp"] <- 0.05修改参数的操作,无法实现预设效应的模拟目标。clmm2的模型估计值、p值、检验统计量全部是基于输入数据的似然计算得到的,事后修改返回对象的参数值,不会反向更新关联的检验结果,也不符合功效分析“先按指定参数生成模拟响应,再拟合模型检验检出率”的核心逻辑。
核心实现思路
clmm2的参数结构包含三个固定部分,需要在模拟数据生成阶段全部设为目标值,而非在拟合后篡改模型对象:
- 固定效应项:即你要测试的目标beta值(如temp变量的0.05)
- 有序响应的累积阈值项:对应rating不同类别的分界logit值
- 随机效应项:judge分组层面的随机截距方差
基于上述结构,只需要保留原始wine数据集的变量结构(temp的处理分组、judge的分组关系),按照预设参数重新生成对应的rating响应值,再对生成的新响应值拟合clmm2模型,就能实现指定效应的功效模拟。
可直接复用的实现代码
原有用于整理输出格式的tidy函数无需改动,直接复用即可:
# Tidy结果整理函数(原有代码无需修改) tidy_output_clmm = function(fit){ results = as.data.frame(coefficients(summary(fit))) colnames(results) = c("estimate","std.error","statistic","p.value") results %>% tibble::rownames_to_column("term") }
修改后的带预设beta参数的全流程模拟代码如下:
library(ordinal) library(tidyverse) # 1. 从原始数据的基础模型中提取固定参考参数,减少模拟过程的参数波动 base_model <- clmm2(rating ~ temp, random=judge, data=wine, nAGQ=10, Hess=TRUE) fixed_thresholds <- base_model$alpha # 有序rating类别的累积分界阈值 fixed_rand_var <- base_model$nu # judge层面随机截距的方差 # 2. 支持传入不同目标beta值的模拟实验函数 sim_experiment_power <- function(rep, target_beta = 0.05) { # 对原始数据结构做有放回抽样,保留原有变量的关联结构 idx = sample(nrow(wine), replace=TRUE) sim_data <- wine[idx, ] # 为当前抽样样本独立生成随机截距,避免固定值带来的模拟偏差 rand_intercept <- rnorm(nlevels(sim_data$judge), 0, sqrt(fixed_rand_var)) # 按照累积logit模型的概率结构生成新的模拟rating响应 design_matrix <- model.matrix(~ temp, data = sim_data) linear_pred <- design_matrix %*% c(0, target_beta) + rand_intercept[sim_data$judge] # 基于累积logit分布计算各类别的出现概率,生成对应的有序响应值 cum_prob <- plogis(outer(linear_pred, fixed_thresholds, "-")) class_prob <- sweep(cum_prob, 1, cbind(0, cum_prob[, -ncol(cum_prob)]), "-") sim_data$sim_rating <- apply(class_prob, 1, function(p) { sample(1:length(fixed_thresholds), 1, prob = p) }) # 用生成的模拟响应拟合clmm2模型 model <- clmm2(sim_rating ~ temp, random=judge, data=sim_data, nAGQ=10, Hess=TRUE) tidy_output_clmm(model) %>% mutate(rep = rep, target_beta = target_beta) } # 3. 批量测试不同效应值对应的功效(示例依次测试beta为0.05、0.1、0.2的情形) power_results <- map_dfr(c(0.05, 0.1, 0.2), function(b) { map_dfr(1:100, ~sim_experiment_power(.x, target_beta = b)) }) # 4. 计算每个效应值对应的统计功效(p值小于0.05的模拟占比) power_results %>% group_by(target_beta, term) %>% summarise(power = mean(p.value < 0.05), .groups = "drop")
关键注意事项
- 不要在模型拟合完成后修改clmm2返回的对象值:这类操作不会同步更新summary中的统计量、p值,本质是无意义的对象赋值,无法改变模型基于原始数据得到的估计结果
- 模拟随机截距时要每次抽样独立生成,不要提前固定所有judge的截距值,否则会引入人为的模拟偏差
- 如果需要调整模型的随机效应方差、阈值参数,只需要在模拟开始前修改对应的
fixed_thresholds、fixed_rand_var取值即可,不需要改动核心模拟逻辑
内容的提问来源于stack exchange,提问作者ftPzTQY
相关产品推荐
相关产品推荐

