Итак, мы получили наконец финальную модель, где мы моделируем количество визитов опылителей, как отрицательно биномиальную распределенную величину. И мы выяснили, что для этой модели выполняются все условия применимости. Она всем хорошая. Поэтому давайте нарисуем график предсказаний этой модели. Данные для предсказаний мы получаем как и в прошлый раз с учетом того, что потенциально количество цветов, то есть те переменные как, того из кредиторов, который нас больше всего интересует, оно может быть потенциально разным в площадках, на площадках разных типов и как и в прошлые разы, мы получим предсказание при помощи матрицы, чтобы вы увидели то место, где функция связи выполняет свою работу. Итак, нам нужна модельная матрица, она везде одинаковая, нам нужны коэффициенты модели. На этот раз мы их извлекает при помощи функции kf из нашей финальной модели с отрицательным биномиальным распределением отклика. Произведения модельной матрицы на вектор коэффициентов нам даст предсказанное значение в масштабе функции связи, то есть это будут предсказанные значения логарифмов. Стандартные ошибки, мы получим по прежнему в масштабе функции связи. То есть это будут стандартные ошибки для предсказанных значений логарифмов. Для того, чтобы нам изображать на графике не логарифмы, а непосредственно те значения отклика, которые нас интересуют, нам нужно вернуть эти самые величины обратно при помощи обратной функции связи, которая по отношению к логарифму это функция е. Мы возводим число е в степень предсказанных значений и получаем уже предсказанное значение в масштабе переменной отклика. То есть то, с чего мы начинали. Точно так же мы получаем и границы доверительных интервалов для переменной отклика. Теперь у нас есть все данные, для того, чтобы изобразить графики. Как и раньше мы начнем график в масштабе функции связи. Это конечно не то, что вы показываете всем окружающим людям, потому что они не очень хотят видеть логарифмы, они хотят видеть то, что вы изучали. Но, здесь мы зато можем видеть, что в масштабе функции связи, мы моделируем линейную зависимость логарифмов от ожидания отклика от наших предикторов. И второй график, который мы можем получить, это график предсказаний в масштабе переменной отклика. Если мы применяем обратную трансформацию, то мы можем вернуться от логарифмов к той переменной, которую мы изучали, то есть к числу визитов опылителей. Оно здесь будет отложено по оси Y. И вы видите, что число визитов опылителей не линейно связано с предикторами, но, мы смогли эту нелинейную связь смоделировать за счет того, что использовали функцию связи логарифма. Нашу модель с отрицательным биномиальным распределением отклика, она учитывает гетерогенность дисперсии. Пуассонновская модель учитывала ее простым способом, там математическое ожидание было равно дисперсии. Модель с отрицательным биномиальным распределением отклика она будет учитывать ее немного более сложная, она будет учитывать дополнительный параметр, который обеспечивает то, что дисперсия может возрастать немножко больше, чем этого ожидает распределение Пуассона и, соответственно, этого свойства, его оказалось достаточно, чтобы смоделировать данные. Здесь уже нет сверх дисперсии. Вы видите, что стандартные ошибки на графике предсказаний, они возрастают сильнее, чем на графике предсказаний для Пуассоновской модели и вот это отражает реальную ситуацию для наших данных. Теперь, наконец-то мы можем делать с уверенностью выводы из анализа. Опираясь на результаты тестов в отношении правдоподобий мы можем сказать, что число визитов опылителей на цветки гадючего лука не зависит от присутствия видов селекции и его цветов, это хорошая новость. Оно зависит от разнообразия флоры на данном участке и при этом оказывается так, что чем больше цветов самого гадючего лука на этом участке, тем больше туда прилетает опылителей. Вот, собственно, и все результаты которые мы получили.