Welche Interpretation haben die Parameter eines verallgemeinerten linearen Modells mit Effektcodierung?

library(lme4)
    out <- glmer(cbind(incidence, size - incidence)
                 ~ period
                 + (1 | herd),
                 data = cbpp,
                 family = binomial,
                 contrasts = list(period = "contr.sum"))

summary(out)
Fixed effects:
            Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.32337    0.22129 -10.499  < 2e-16 ***
period1      0.92498    0.18330   5.046 4.51e-07 ***
period2     -0.06698    0.22845  -0.293    0.769
period3     -0.20326    0.24193  -0.840    0.401

Ich war nie in einer Situation, in der ich ein verallgemeinertes lineares Modell mit Effektcodierung ( contr.sumfür RBenutzer) anpassen musste . Kann ich die gleiche Interpretation wie im Fall des linearen Modells anwenden? In einem normalen linearen Modell wäre der Schnittpunkt den großen Mittelwert und die s (Parameter für , , und die Effekte , dh wie die Faktorstufen von dem Gesamtmittelwert abweichen.$\beta$period1period2period3period4 = (Intercept) - period1 - period2 - period3

Hier ist, wie ich denke, die analoge Interpretation für verallgemeinerte lineare Modelle. (Ich werde alle Parameter potenzieren und verwandeln damit die Log-Odds (-ratios) zu Quoten (-ratios)) . Der Schnittpunkt wäre dann die Gesamt Chancen auf Erfolg gegen Ausfall ( hier an der klassischen Binomialterminologie festhalten) und die s die Log-Odds-Verhältnisse . Und wir erhalten die Chancen, indem wir beispielsweise und dann : . Ist der wirklich die Gesamt- / Mittelquote und die s$\exp((\text{Intercept}))$$\beta$period1$\text{(Intercept)}+\text{period1}$$\exp(\text{(Intercept)}+\text{period1})$$\text{(Intercept)}$$\beta$Quotenverhältnisse ?

Bei der Effektcodierung ist der Achsenabschnitt in der Zusammenfassungstabelle (out) das durchschnittliche Logit (Log-Odds oder das Log-of-Odds-Verhältnis) über alle vier Perioden in Ihrem Fall, und jeder der anderen Effekte ist die Logit-Differenz der entsprechender Zeitraum relativ zum durchschnittlichen Logit.

Sie können Ihre Interpretation leicht überprüfen, indem Sie Ihre aktuellen Ergebnisse mit einer anderen Codierungsmethode vergleichen, z. B. Dummy-Codierung Ihrer Daten:

out2 <- glmer(cbind(incidence, size - incidence)
                 ~ period
                 + (1 | herd),
                 data = cbpp,
                 family = binomial,
                 contrasts = list(period = "contr.treatment"))

summary(out2)