Saat ini saya sedang mengerjakan serangkaian model deret waktu Poisson yang mencoba memperkirakan efek perubahan dalam bagaimana penghitungan diperoleh (beralih dari satu uji diagnostik ke uji lain) sambil mengendalikan tren lain dari waktu ke waktu (katakanlah peningkatan umum pada kejadian penyakit). Saya punya data untuk sejumlah situs yang berbeda.
Meskipun saya telah bermain-main dengan GAM juga, saya telah mencocokkan serangkaian GLM yang cukup mendasar dengan tren waktu di dalamnya, lalu mengumpulkan hasilnya. Kode untuk ini akan terlihat seperti ini di SAS:
PROC GENMOD data=work.data descending;
model counts = dependent_variable time time*time / link=log dist = poisson;
run;
atau ini di R:
glm(counts ~ dependent_variable + time + time*time, family="poisson")
Kemudian mengambil taksiran-taksiran itu, dan menggabungkannya di berbagai situs. Saya juga menyarankan agar saya mencoba menggunakan model campuran Poisson dengan kemiringan acak dan mencegat untuk setiap situs, daripada mengumpulkan. Jadi pada dasarnya Anda akan memiliki efek tetap dari depend_variable, kemudian efek acak untuk intersep dan waktu (atau idealnya waktu dan waktu ^ 2 meskipun saya mengerti bahwa itu akan sedikit berbulu).
Masalah saya adalah saya tidak tahu bagaimana cara mencocokkan salah satu model ini, dan tampaknya model campuran adalah tempat dokumentasi semua orang tiba-tiba menjadi sangat buram. Adakah yang memiliki penjelasan (atau kode) sederhana tentang bagaimana menyesuaikan apa yang saya cari, dan apa yang harus diwaspadai?
g <- lmer(y ~ x + (1+t+I(t^2)|ID), family="poisson")
), meningkatkan waktu komputasi dari sekitar 0,75 detik menjadi sekitar 11 detik. Sebagai ukuran sampel tumbuh, peningkatan waktu komputasi mungkin juga meningkat.Dalam SAS:
Tapi tentu saja ada banyak opsi, lebih atau kurang bermanfaat, untuk dimainkan.
sumber