lsmeans는 포아송 혼합 모형 (glmer에 적합)과 같은 일반화 된 선형 모형에 대해 무엇을보고합니까?

설계된 실험에서 시선 추적 데이터를 분석하고 있습니다. 이처럼 내 데이터 외모의 단순화 된 버전 (당신은 dput을 (받을 수) 데이터 여기 )

head(lookDATA)

  participant fixationImage fixationCount
1           9    Automobile            81
2           9          Bird            63
3           9         Chair            82
4           9           Dog            64
5           9          Face            90
6           9         Plant            75

여기서 참가자는 각 주제의 고유 식별자이고 fixationImage는 고정 된 사진 범주이며 fixationCount는 해당 사진 범주에 고정 된 횟수입니다.

lme4 패키지 의 glmer ()를 사용하여 데이터에 포아송 모델을 적합 시킵니다 .

model<-glmer(fixationCount ~ fixationImage + (1|participant), family = poisson, data = lookDATA)

lsmeans 패키지 의 lsmeans ()를 사용 하여 요인 수준의 차이를 조사했습니다.

cld(lsmeans(model,"fixationImage"))

다음과 같은 출력을 제공합니다.

fixationImage   lsmean         SE df asymp.LCL asymp.UCL .group
Chair         3.786022 0.05764923 NA  3.673018  3.899026  1    
Bird          3.866201 0.05750641 NA  3.753476  3.978925   2   
Dog           3.868768 0.05751010 NA  3.756037  3.981500   2   
Body          3.883644 0.06040952 NA  3.765230  4.002059   23  
Plant         3.893327 0.05746744 NA  3.780679  4.005975   23  
Automobile    3.901939 0.05745528 NA  3.789315  4.014563   23  
Face          3.946848 0.05832549 NA  3.832519  4.061178    3 

lsmeans 비네팅 사용에 대한 나의 (아마도 제한적) 이해에 따르면 lsmean 열은 모델에서 예측 한 주어진 범주에 대한 평균 모양 수를 나타냅니다.

그러나 이러한 수치는 이러한 수치에 대한 간단한 설명 통계와는 거리가 멀다.

summaryBy(fixationCount ~ fixationImage, data = lookDATA)

  fixationImage fixationCount.mean
1    Automobile           55.18750
2          Bird           53.25000
3          Body           57.12821
4         Chair           50.39450
5           Dog           53.82883
6          Face           56.76389
7         Plant           54.71429

lsmeans가 여기에 나타내는 것을 올바르게 이해하지 못하거나 모델을 잘못 지정했을 수 있습니다.

도움을 주시면 감사하겠습니다.

출력은 각 이미지에 대한 모델 예측을 나타냅니다. 포이즌 패밀리에서 기본 링크 기능은 자연 로그이므로 이러한 값은 로그 스케일에 있습니다. 그렇게 lsmeans(..., type = "response")하면 예측을 원래 응답 스케일로 역변환합니다.