Bagaimana cara menghitung tindakan yang berulang dalam glmer?

8

Desain saya adalah sebagai berikut.

  • y adalah respons Bernoulli
  • x1 adalah variabel kontinu
  • x2 adalah variabel (faktor) variabel dengan dua level

Eksperimen sepenuhnya dalam subjek. Artinya, setiap subjek menerima setiap kombinasi dan .x1x2

Ini adalah tindakan berulang yang dilakukan untuk mengatur regresi logistik. Eksperimen akan memberikan dua tawaran untuk vs , satu untuk level1 dan satu untuk level2 . Efek dari harus bahwa untuk level2 dibandingkan dengan level1, ogive harus memiliki kemiringan yang lebih dangkal dan peningkatan intersep.p(y=1)x1x2x2

Saya kesulitan menemukan model yang digunakan lme4. Sebagai contoh,

glmer(y ~ x1*x2 + (1|subject), family=binomial)

Sejauh yang saya mengerti, 1|subjectbagian itu mengatakan itu subjectadalah efek acak. Tapi saya tidak melihat bagaimana menentukan bahwa dan adalah variabel ukuran berulang. Pada akhirnya, saya ingin model yang menyertakan efek acak untuk subjek, dan memberikan perkiraan kemiringan dan penyadapan untuk level1 dan level2.x1x2

Bill Simpson
sumber
Ada contoh ukuran berulang dalam slide ini oleh D.Bates.
martin
1
Halaman 165 halaman yang mana? BTW ia juga memiliki bab buku yang tersedia.
Bill Simpson
1
|subjectmenentukan struktur data (tindakan berulang diulangi subject), sehingga Anda tidak perlu menentukan dan . menunjukkan intersep acak untuk setiap subjek (level 2). Di sini Anda hanya bisa mendapatkan penyadapan dan lereng ( misalnya misalnya) untuk level 2.x1x21|subjectx1|subject
Randel

Jawaban:

11

tl; dr: Model Anda sudah memperhitungkan fakta bahwa Anda telah mengulangi tindakan. Meskipun demikian, jika cocok, Anda sebaiknya menggunakan:

glmer(y ~ x1*x2 + (x1:x2|subject), family=binomial)

tetapi jika itu tidak dapat ditelusuri, Anda dapat mencoba:

glmer(y ~ x1*x2 + (1|subject) + (0+x1|subject) + (0+x2|subject), family=binomial)

   Untuk penjelasan dari sintaks di sini, lihat: lmer contekan-lembar R .


Versi lengkap: Anda tidak perlu "memberi tahu" R bahwa dan adalah variabel ukuran berulang. (Ini benar-benar hanya perbedaan semantik kecil, tapi) Saya tidak akan mengatakan bahwa variabel dapat "variabel ukuran berulang" vs "variabel ukuran tidak berulang". Variabel hanya variabel. Saya akan mengatakan bahwa, misalnya, 'variabel 1 diukur dalam pasien, dan variabel 2 diukur antara pasien atau sesuatu seperti itu. Tentu saja, ungkapan Anda baik-baik saja, Anda hanya tidak ingin itu menimbulkan kebingungan di mana Anda berpikir tentang pengukuran berulang karena beberapa status ontologis intrinsik ke variabel. x1x2

Bagaimanapun, alih-alih memberi tahu R bahwa suatu variabel diukur dalam orang, Anda hanya perlu merumuskan model menggunakan efek acak dan / atau yang ditetapkan untuk menjelaskan ketidakbergantungan data yang berasal dari orang yang sama. (Ya, Anda dapat menggunakan efek tetap untuk menjelaskan ini: setiap orang akan menjadi level variabel kategorikal yang disertakan. Namun, ini akan menjawab pertanyaan yang sedikit berbeda — hampir pasti bukan yang Anda minati — dan kecuali Anda memiliki banyak pengukuran pada orang yang sama dalam setiap kombinasi kondisi, model tidak akan dapat ditelusuri.) Dalam praktiknya, Anda akan menggunakan efek acak untuk menjelaskan hal ini. Secara khusus, Anda akan memiliki efek acak untuk setiap subjek.

Selanjutnya Anda perlu menentukan apa yang Anda inginkan efek acak untuk . Sintaks yang Anda gunakan,, (1|subject)akan menyebabkan R menyertakan intersep acak untuk setiap orang. Ini akan menggeser garis paling pas seseorang atau ke atas relatif terhadap rata-rata. Anda harus memikirkan apakah orang juga cenderung berbeda dalam kemiringan lereng mereka — yaitu, seberapa kuat mereka merespons perubahan dalam variabel Anda. Anda juga harus memikirkan apakah efek acak berkorelasi satu sama lain, misalnya, mungkin orang yang memulai lebih tinggi ketika cenderung juga merespons lebih kuat terhadap peningkatan . Saran umum adalah untuk memasukkan semua kemungkinan efek dan interkorelasi acak (Barr et al., 2013, "Keep it maximal", pdfx1=0x1). Namun, ingatlah bahwa GLMM lebih sulit secara komputasi daripada LMM, sehingga model seperti itu mungkin tidak dapat ditelusuri.

gung - Pasang kembali Monica
sumber