Как включить продольный эффект в линейную модель смешанного эффекта

Мне нужно ОЦЕНИТЬ ПРОДОЛЬНОЕ ИЗМЕНЕНИЕ ЖИРА МЕЖДУ 2 ПОСЕЩЕНИЯМИ с помощью линейной модели смешанных эффектов.

У меня есть некоторые, которые будут меняться от визита 1 к визиту 2, так как это статус гипертонии, статус диабета, ИМТ, окружность талии, статус курения и т. д. И другие переменные, которые не изменятся от визита 1 к визиту. 2 в зависимости от пола или этнической принадлежности.

Следующие переменные являются фиктивными (статус гипертонии, статус диабета, статус курения, пол), а следующие являются непрерывными (ИМТ, окружность талии, возраст).

Моя первоначальная мысль об использовании пакета nlme была выражена так:

lme(fat~ diabetes_status + hypertension_status + bmi + waist + smoker + gender + ethnicity + Visit, random= ~1|PatientID/Visit, data = df, na.action = na.omit)

посещение имеет 2 уровня (1 и 2)

ВОПРОСЫ:

  1. Считаете ли вы, что это правильный способ оценить, есть ли продольные изменения в жире?
  2. Как вы думаете, это содержит слишком много фиксированных эффектов?

PS: я предоставляю вам пример набора данных:

 df <- data.frame(PatientID = c(1000344, 1000344,1001471, 1001471, 1002830, 1002830),Visit = c(1,2,1,2,1,2),fat= c(  8.510 ,14.456, 4.612,4.738,18.021,25.740), diabetes_status= c("False" ,"True","False" ,"False" ,"False","True"), hypertension_status= c("True" ,"True","False" ,"True" ,"False","True"),bmi= c(32.0386  ,33.4919 ,29.6878  ,28.7660   ,26.1540 ,26.2788), waist= c(105  ,105   ,98     ,101  ,91  ,96), smoker= c(1 ,0  ,0 ,0  ,1  ,0), gender= c(1  ,1  ,0 ,0,1 ,1), ethnicity= c(1,1 ,0,0,1 ,1),  stringsAsFactors = F)

Спасибо!


r lme4 mixed-models longitudinal nlme
person Lili    schedule 12.08.2020    source источник

Ответы (1)


arrow_upward
2
arrow_downward

То, что у вас есть, неплохое начало. Параметры фиксированного эффекта (вы можете получить, запустив fixef() для объекта модели) должны дать вам некоторое представление об «общем» эффекте фиксированных эффектов каждой из ваших моделей на переменную результата.

Трудно сказать, содержит ли ваша модель слишком много фиксированных эффектов, не зная, сколько у вас данных. Некоторые другие факторы также могут быть важны, например, степень ковариации ваших предикторов (особенно фиктивных переменных). Для вашего примера набора данных у вас, безусловно, слишком много фиксированных эффектов, однако я предполагаю, что в вашем реальном наборе данных есть более шести наблюдений. Некоторые низко висящие плоды здесь могут заключаться в удалении либо ИМТ, либо окружности талии. Оба, по сути, пытаются измерить одно и то же.

Я бы рекомендовал провести некоторое время с Pinheiro, J.C., и Bates, D.M. (2000) Модели смешанных эффектов в S и S-PLUS, Springer. Это отличный ресурс с множеством различных рабочих примеров. Модели со смешанными эффектами — большая тема. Я полагаю, что в книге также есть несколько разделов, посвященных порядку, в котором вы должны создавать сложность модели, и тому, как вы можете проверить, улучшают ли модель добавление или фиксированные и случайные эффекты. Например, важно, соответствуете ли вы модели с использованием максимальной вероятности или ограниченной максимальной вероятности при оценке включения/удаления фиксированных/случайных эффектов.

РЕДАКТИРОВАТЬ: я только что заметил, что у вас всего два визита. Возможно, вам будет лучше удалить слой модели посещения и смоделировать изменение жира между посещениями в качестве результата. Вам также не понадобится уровень для идентификатора пациента, если у вас будет только одно измерение для каждого пациента при каждом из этих двух посещений. Следовательно, вы можете обойтись простой моделью линейной регрессии. Однако я делаю довольно много предположений о ваших данных на основе предоставленных вами выборочных данных.

person Feakster    schedule 12.08.2020
comment
Спасибо @Feakster за любое предложение по продольному эффекту, кроме расчета дельта-изменения жира для линейной регрессии. Как бы вы сделали это с LME (причина, по которой нам нужна LME, заключается в том, что независимые переменные меняются от одного посещения к другому) - person Lili; 13.08.2020
comment
Я думаю, что эта ссылка отвечает на вопрос о том, как моделировать продольные изменения в линейной модели смешанных эффектов: >rstudio-pubs-static.s3.amazonaws.com/ В частности, ответ на мою конкретную проблему: model1 = lme(fixed = жир ~ посещение + пол + этническая принадлежность + диабет_статус + гипертония + ИМТ+ талия + курильщик + возраст, случайный = ~ посещение | идентификатор пациента, данные = df) sumModel1 = summary(model1); sumModel1 Надеюсь, это поможет! - person Lili; 13.08.2020