从glm模型中提取参考类别的最佳方法是什么？

Question

我正在编写一个函数，该函数接受一个full和一个reducedglm对象，以汇总感兴趣的变量varofint和交互变量interaction_var的交互结果（通过进行lrtest并在full对象上使用svycontrast提取每个interaction_var水平下varofint的结果）。样本数据：

x <- data.frame(outcome=rbinom(100,1,.3),varofint=rnorm(100), interaction_var=sample(letters[1:3],100,replace=TRUE))

reduced <- glm(outcome~varofint+interaction_var,data=x)
full <- glm(outcome~varofint*interaction_var,data=x)

我想知道从说（full）glm模型中提取参考类别的最佳方法。我显然可以做像这样的事情：levels(full$data$interaction_var)[1]，但是在给出contrasts参数的输入的情况下，这种方法是否安全来提取参考类别呢？似乎，如果给出选择SAS对比度的选项，那么这种方法可能会产生与模型中使用的参考类别不同的interactionv_var水平。以下方法是否更为安全？

mf <- model.frame(full)
setdiff(rownames(contrasts(mf[, "interaction_var"])), colnames(contrasts(mf[, "interaction_var"])))

或者类似的。

names(which(apply(contrasts(mf[, "interaction_var"]),1,function(.v){all(.v==0)})))

我有一个更简单的方法来提取参考类别吗？

- Michael

---

如果没有参考类别怎么办？参考类别仅适用于处理对比。 - Sven Hohenstein

好的，这是一个不错的开始。因此，如果相应的交互变量没有处理对比，则该函数应返回错误... - Michael

Answer 1

这里有一个用于此任务的函数：

refCat <- function(model, var) {
  cs <- attr(model.matrix(model), "contrasts")[[var]]
  if (is.character(cs)) {
    if (cs == "contr.treatment")
      ref <- 1
    else stop("No treatment contrast")
  }  
  else {
    zeroes <- !cs
    ones <- cs == 1
    stopifnot(all(zeroes | ones))
    cos <- colSums(ones)
    stopifnot(all(cos == 1))
    ros <- rowSums(ones)
    stopifnot(sum(!ros) == 1 && sum(ros) != ncol(cs))
    ref <- which(!ros)
  }
  return(levels(model$data[[var]])[ref])  
}    

如果变量var没有表示为处理对比，该函数将停止。

示例：

refCat(reduced, "interaction_var")
# [1] "a"
refCat(full, "interaction_var")
# [1] "a"

- Sven Hohenstein

---

谢谢，这似乎有效。在什么情况下 is.character(cs) 会是 FALSE？ - Michael

@Michael cs 可以是一个包含对比函数名称（例如contr.treatment）的字符串，也可以是一个数字对比矩阵。 - Sven Hohenstein

如果使用了relevel()，这个方法就行不通了，对吧？ - Helen

@Helen 我没有尝试过。 - Sven Hohenstein

Answer 2

有点晚了，但是dummy.coef()可能会有用...其输出中每个变量元素的第一个值是参考类别。

# R 4.0.0 data.frame() does not produce factors
x <- data.frame(
  outcome = rbinom(100, 1, .3),
  varofint = rnorm(100),
  interaction_var = sample(letters[1:3], 100, replace = TRUE),
  stringsAsFactors = TRUE
)
reduced <- glm(outcome ~ varofint + interaction_var, data = x)
full <- glm(outcome ~ varofint * interaction_var, data = x)

d <- dummy.coef(full)
d
# Full coefficients are 
#                                                                 
# (Intercept):                    0.310136                        
# varofint:                    -0.07247677                        
# interaction_var:                       a           b           c
#                               0.00000000  0.07017833 -0.05891015
# varofint:interaction_var:              a           b           c
#                               0.00000000 -0.14824179 -0.04123618

d$interaction_var
#           a           b           c 
#  0.00000000  0.07017833 -0.05891015 
d$interaction_var[1]
# a 
# 0 
names(d$interaction_var[1])
# [1] "a"

- guyabel