Interpretasi apa yang dimiliki parameter model linier umum dengan pengkodean efek?

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

Saya tidak pernah dalam situasi di mana saya harus menyesuaikan model linier umum dengan pengkodean efek ( contr.sumuntuk Rpengguna). Bisakah saya menerapkan interpretasi yang sama seperti pada kasus model linier? Dalam model linear yang normal mencegat akan menjadi mean dan s (parameter untuk , , dan efek yaitu bagaimana tingkat faktor menyimpang dari mean.$\beta$period1period2period3period4 = (Intercept) - period1 - period2 - period3

Berikut adalah bagaimana menurut saya interpretasi analog untuk model linear umum berjalan. (Saya akan membuat eksponensial semua parameter dan karenanya mengubah log-odds (-ratios) menjadi odds (-ratios).) Intercept kemudian akan menjadi peluang keseluruhan keberhasilan vs kegagalan ( menempel di sini untuk terminologi binomial klasik) dan s log-odds-ratio . Dan kita mendapatkan peluang untuk mis dengan menambahkan dan kemudian secara eksponensial: . Apakah benar-benar peluang keseluruhan / sedang dan s$\exp((\text{Intercept}))$$\beta$period1$\text{(Intercept)}+\text{period1}$$\exp(\text{(Intercept)}+\text{period1})$$\text{(Intercept)}$$\beta$odds-rasio ?

Di bawah pengkodean efek, intersep dalam ringkasan tabel ringkasan (keluar) adalah logit rata-rata (log-odds atau log odds ratio) di semua empat periode dalam kasus Anda, dan masing-masing efek lainnya adalah perbedaan logit dari periode yang sesuai relatif terhadap logit rata-rata.

Anda dapat dengan mudah memverifikasi interpretasi Anda dengan membandingkan hasil Anda saat ini dengan metode pengkodean yang berbeda seperti pengkodean dummy pada data Anda:

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

summary(out2)