You need to enable JavaScript to run this app. 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
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.15 08:06:06