एक साथ परीक्षण और अनुदैर्ध्य मिश्रित मॉडल में समय-अलग-अलग सहसंयोजकों के साथ प्रभावों का परीक्षण

मुझे हाल ही में बताया गया था कि इन सहसंयोजकों के लिए समय अंतराल शुरू किए बिना अनुदैर्ध्य मिश्रित मॉडल में समय-अलग-अलग covariates को शामिल करना संभव नहीं था। क्या आप इसकी पुष्टि / खंडन कर सकते हैं? क्या आपके पास इस स्थिति पर कोई संदर्भ है?

मैं स्पष्ट करने के लिए एक सरल स्थिति का प्रस्ताव करता हूं। मान लीजिए कि मैंने 40 विषयों में मात्रात्मक चर (y, X1, x2, x3) के उपायों (30 से अधिक अवसरों पर) को दोहराया है। प्रत्येक चर को प्रत्येक विषय में 30 बार एक प्रश्नावली द्वारा मापा जाता है। यहां अंतिम डेटा 40 विषयों में नेस्टेड 4 800 अवलोकन (4 चर एक्स 30 अवसरों एक्स 40 विषयों) होगा।

मैं इसके लिए अलग से (मॉडल तुलना के लिए नहीं) परीक्षण करना चाहूंगा:

समकालिक (समकालिक) प्रभाव: समय टी पर समय पर टी पर एक्स 1, एक्स 2 और एक्स 3 का प्रभाव।
लैग्ड प्रभाव: समय टी पर -1, समय टी पर -1 पर एक्स 1, एक्स 2 और एक्स 3 का प्रभाव।

मुझे आशा है कि सब कुछ स्पष्ट है (मैं एक देशी अंग्रेजी वक्ता नहीं हूँ!)।

उदाहरण के लिए, R lmer {lme4} में, लैग्ड-इफेक्ट्स वाला सूत्र है:

lmer(y ~ lag1.x1 + lag1.x2 + lag1.x3 + (1|subject))

yसमय टी पर आश्रित चर कहाँ है, lag1.x1व्यक्तिगत स्तर पर लंबित स्वतंत्र चर X1 है, आदि।

एक साथ प्रभाव के लिए, सूत्र है:

lmer(y ~ x1 + x2 + x3 + (1|subject))

सब कुछ अच्छा चल रहा है और यह मुझे दिलचस्प परिणाम देता है। लेकिन क्या तुल्यकालिक समय-भिन्न सहसंयोजकों के साथ एक lmer मॉडल को निर्दिष्ट करना सही है या मैंने कुछ याद किया है?

संपादित करें: इसके अलावा, क्या एक ही समय में एक साथ और पिछड़े दोनों प्रभावों का परीक्षण करना संभव है? , उदाहरण के लिए :

lmer(y ~ x1 + x2 + x3 + lag1.x1 + lag1.x2 + lag1.x3 + (1|subject))

सैद्धांतिक रूप से, यह समवर्ती बनाम दांतेदार प्रभावों के बीच प्रतिस्पर्धा का परीक्षण करने के लिए समझ में आता है। लेकिन क्या यह lmer{lme4}आर के साथ संभव है , उदाहरण के लिए?

r mixed-model lme4-nlme

— maxTC
स्रोत

मुझे पता है कि आपके लाभ के लिए शायद बहुत देर हो चुकी है, लेकिन शायद दूसरों के लिए मैं इसका जवाब दूंगा।

आप एक अनुदैर्ध्य यादृच्छिक-प्रभाव वाले मॉडल में समय-अलग-अलग सहसंयोजकों को शामिल कर सकते हैं (Fitzmaurice, Laird and Ware द्वारा एप्लाइड अनुदैर्ध्य विश्लेषण देखें, 2011 और http://www.ats.ucla.edu/stat/r/examples/alda/ विशेष रूप से) आर - उपयोग lme)। रुझानों की व्याख्या इस बात पर निर्भर करती है कि क्या आप समय को श्रेणीबद्ध या निरंतर और अपनी बातचीत की शर्तों के रूप में कोड करते हैं। उदाहरण के लिए, यदि समय निरंतर है और आपके सहसंयोजक X1 और x2 द्विआधारी (0 और 1) हैं और समय-निर्भर हैं, तो निर्धारित मॉडल है:

y i j = β_{0} + β_{1} x_{1 i j} + β_{2} x_{2 i j} + β_{3} t i m e_{i j} + β_{4} \times (x_{1 i j} * t i m e_{i j}) + β_{5} \times (x_{2 i j} * t i m e_{i j})

$yij = \beta_0 + \beta_1x_{1ij} + \beta_2x_{2ij} + \beta_3time_{ij} + \beta_4 \times (x_{1ij} * time_{ij}) + \beta_5 \times (x_{2ij} * time_{ij})$

मैं ith व्यक्ति के लिए है, जम्मू jth अवसर के लिए है

$\beta_4$ और कब्जा के स्तरों के बीच प्रवृत्तियों में अंतर और समय में समय के साथ बदलाव के लिए लेखांकन और । जब तक आप और को यादृच्छिक प्रभावों के रूप में निर्दिष्ट नहीं करते हैं, तब तक दोहराए गए उपायों के बीच सहसंबंधों को ध्यान में नहीं रखा जाएगा (लेकिन यह सिद्धांत पर आधारित होने की आवश्यकता है और यदि आप बहुत अधिक यादृच्छिक प्रभाव - यानी, मॉडल अभिसरण नहीं करेंगे तो गड़बड़ हो सकता है) । पूर्वाग्रह को दूर करने के लिए समय-निर्भर सहसंयोजकों को केंद्रित करने के बारे में भी कुछ चर्चा है, हालांकि मैंने ऐसा नहीं किया है (राउडेनबश और ब्रायक, 2002)। यदि आपके पास निरंतर समय-निर्भर सहसंयोजक है, तो व्याख्या, सामान्य रूप से, और भी मुश्किल है। $\beta_5$ $x_1$ $x_2$ $x_1$ $x_2$ $x_1$ $x_2$

$\beta_1$ और , और और और बीच अंतर-अनुभागीय एसोसिएशन को इंटरसेप्ट ( ) पर । अवरोधन वह जगह है जहां समय शून्य है (आधार रेखा या जहां भी आप अपना समय चर केंद्रित करते हैं)। यदि आपके पास उच्च क्रम मॉडल (जैसे, द्विघात) है, तो इस व्याख्या को भी बदला जा सकता है। $\beta_2$ $x_1$ $y$ $x_2$ $y$ $\beta_0$

आप इसे R में कुछ इस तरह से कोडित करेंगे:

model<- lme(y ~ time*x1 + time*x2, data, random= ~time|subject, method="")

गायक और विलेट "विधि" के लिए ML का उपयोग करते हुए दिखाई देते हैं लेकिन मुझे हमेशा समग्र परिणामों के लिए SAS में REML का उपयोग करना सिखाया गया है, लेकिन ML का उपयोग करके विभिन्न मॉडलों के फिट की तुलना करें। मुझे लगता है कि आप आर में भी REML का उपयोग कर सकते हैं।

आप पिछले कोड में जोड़कर y के लिए सहसंबंध संरचना को भी मॉडल कर सकते हैं:

correlation = [you’ll have to look up the options]

मुझे यकीन नहीं है कि मैं आपके तर्क को केवल झूठे प्रभावों का परीक्षण करने में सक्षम होने के लिए समझ रहा हूं। मैं मॉडलिंग से प्रभावित प्रभावों से परिचित नहीं हूं इसलिए मैं यहां वास्तव में बात नहीं कर सकता। शायद मैं गलत हूं, लेकिन मुझे लगता है कि मॉडलिंग के प्रभाव मिश्रित मॉडल की उपयोगिता को कम कर देंगे (जैसे, लापता समय-निर्भर डेटा वाले विषयों को शामिल करने में सक्षम होना)

— MegPophealth
स्रोत

कृपया मुझे जांचें कि मैंने संपादन के साथ आपका समीकरण नहीं बनाया है, मैंने इसके साथ अपनी पूरी कोशिश की।

— जोंस्का

मुझे अच्छा लग रहा है :)

— मेगापोफ़ल