问题标签 [longitudinal]

我一直在寻找一种在 R 中进行基于组的轨迹建模的方法，但无济于事。类似于 PROC TRAJ ( http://www.andrew.cmu.edu/user/bjones/index.htm ) 在 SAS 中完成的事情。有谁知道R中有类似的包？
我感兴趣的结果（模型输入）是分类的，所以我需要一些可以处理的东西。

我有以下数据，其中：
PseudoID = ID，Trim_SSW = 妊娠三个月（1、2 或 3），体重= SSW 时间点的受试者体重，SSW = 孕周

对于每个 ID，我想查看每个三个月的体重增加情况。因此，我需要分别在 T1、T2 和 T3 中找到最后一次测量和第一次测量之间的差异。在三个月内只有 1 次测量可用的情况下，我想输入 NA。我假设制作 3 个新变量（T1gain、T2gain、T3gain）会简化进一步的计算。

我在这里看到了类似的帖子，但它没有完全回答我的问题，我被要求发一个新帖子。

我在 SAS 中有一个面板/纵向数据集。

一个字段表示一个类或类型，另一个字段表示没有中断的时间点，另一个是观察到的历史，另一个是所述历史的对数差异预测。我想添加一个新字段：历史字段，由预测字段推进。

因此，如果时间字段在“未来”，我想递归地推进我的目标变量，它有自己的滞后，乘以对数差异预测变量的 exp。在我看来，这是一个微不足道的操作。

我试图用下面的玩具数据集来复制这个问题。

我使用 R 中的 JM 包进行联合模型分析。因此我需要首先拟合线性混合模型和 Cox 生存模型：

我的联合模型如下所示：

现在，当我运行联合模型时，出现以下错误：“fitter 错误（X，Y，strats，offset，init，control，weights = weights，：无法拟合 0 次失败的 Cox 模型”

我不明白这一点，因为我的数据框在 Event 列中既有 1 又有 0，而且混合/cox 模型输出表明事件已检测到 111 个事件。对于 lme（obs 数 = 1205 和 groups = 194）和 cox（obs 数 = 194 和 events = 111）。

我的纵向/lme 部分的数据框看起来像这样（此处并非所有变量都存在）：

对于生存/考克斯部分看起来非常相似：

此外，我没有任何缺失值或其他东西，所以我不知道这里出了什么问题

谢谢 :)

假设我们仅限于使用 SAS 并且有一个面板/纵向数据集。我们有队列和时间指标，以及一些测量变量y。

请注意，群组和时间的单位是相同的，因此如果数据集到达时间单位 6，则每个连续的面板单元将比它之前的时间短一个周期。

实际数据之间存在两个面板单位的差距。目标是从“夹心”它们的两个中线性插入两个缺失的面板单元（队列 2 和 3 的值）。对于时间 5 的群组 2，内插值应该是0.67*104 + 0.33*110，而对于时间 5 的群组 3，它应该是0.33*104 + 0.67*110。基本上，您只需为更近的面板单元加上实际值的 2/3 重量，为更远的面板单元重量 1/3。您当然会有缺失值，但对于这个玩具示例来说，这不是问题。

我想象解决方案涉及滞后和使用first.运算符和循环，但我的 SAS 太差了，我什至不愿提供我损坏的代码示例。

我想探索一个分类变量的两种模态随着时间的推移相对于一组给定的其他分类变量的概况。我在下面粘贴了此类数据集的可重现示例。

为了探索这种模式的行为，我决定使用多重对应分析（包FactoMineR）。为了考虑随时间的变化，一种可能性是将数据集分成 5 个子样本，它们代表 V5 的不同级别，然后在每个子集上运行 MCA。分析的其余部分包括比较不同双图中的模态位置。但是，如果原始数据集太小，这种做法并非没有问题。在这种情况下，维度可能会翻转，或者更糟的是，活动变量的位置可能会从一个图变为另一个图。

为避免该问题，一种解决方案可能是稳定所有子集中的活动变量的位置，然后预测补充变量的坐标，允许后者随时间移动。我在某处读到，可以通过计算发现该模态的个体坐标的加权平均值来获得模态的坐标。因此，找到 1970 年模态的坐标将归结为计算该模态的 1970 年子集中个体坐标的加权平均值。但是，我不知道这是否是常见做法，如果是，我只是不知道如何实现这样的计算。我粘贴了其余的代码，以便您可视化问题。

我提前感谢您的帮助！

嗨，我在尝试使用 Reshape 包将我的数据转换为纵向数据时遇到了困难。如果有人能帮助我，将不胜感激，谢谢！

数据如下：

我希望将上述数据转换为纵向数据，其中包含“ID”、“垃圾类别”列，它告诉我们垃圾的类别，即 1-10 和“垃圾数量”，它告诉我们每个垃圾类别的件数：

等等。

非常感谢您的帮助谢谢！

我正在寻找非线性混合效应模型的贝叶斯平行模型，特别是那些使用nlmeR 中的包的模型。

我遇到过，blme但这似乎只适用于线性混合效应模型。brms在这种情况下是否合适？我试图nlme用函数编写一些类似于下面的构造的代码brm。

我能够做到这一点，但我究竟如何指定随机效果beta1呢？我将如何指定对角方差结构，就像我使用的那样random = list(Seed = pdDiag(list(beta1 ~ 1)))？

这里我做了一些纵向数据。可变结果是来自患者的生物标志物水平。变量访问代表访问标签。可变时间是指距基线 t1 的天数。有两种响应状态，“是”和“否”。我想知道的是，响应者和非响应者之间的生物标志物水平在时间过程中是否存在任何差异。

我使用线性混合模型进行分析。

我的问题是：1.在这个分析中，我应该使用时间（连续）还是访问（因子）？
2.如果我使用visit(factor)，它应该是有序的还是无序的？在选择要使用的时间变量类型（因子与连续）方面是否有任何指导方针？

多谢。

注意：这个问题最初发布在Cross Validated上，建议应该在 StackOverflow 中提问。

我正在尝试对 3 向重复测量实验进行建模，FixedFactorA * FixedFactorB * Time[days]。没有遗漏的观察结果，但我的组 (FactorA * FactorB) 不相等（接近，但不完全平衡）。从在线阅读来看，对观察顺序很重要（由于响应均值和方差随时间变化）和不平等组的重复测量实验建模的最佳方法是使用混合模型并指定适当的协方差结构. 但是，我对混合模型的想法很陌生，我对是否使用正确的语法来建模我想要建模的东西感到困惑。

我想做一个完整的因子分析，这样我就可以检测到重要的时间*因子相互作用。例如，对于 FactorA = 1 的受试者，他们随时间的反应可能具有与 FactorA = 2 的受试者不同的斜率和/或截距。我还希望能够检查 FactorA 和 FactorB 的某些组合是否随着时间的推移具有显着不同的响应（因此是完整的三向交互项）。

从网上看，AR1似乎是一个合理的纵向数据协方差结构，所以我决定尝试一下。另外，我看到如果一个人计划比较两个不同的模型，应该使用 ML，所以我选择了这种方法，因为预计需要对模型进行微调。我的理解也是，目标是在模型选择期间最小化 AIC。

这是我在 SPSS（用于长格式数据）中尝试的日志中的代码，它产生的 AIC 为 2471：

这是我在 R 中尝试的，它产生了 2156 的 AIC：

这些是我的问题：

1. 上面的 SPSS 代码产生了一个 AIC = 2471 的模型，而 R 代码产生了一个 AIC = 2156 的模型。是什么使模型不同的代码？

2. 根据我上面的描述，这些模型中的任何一个都适合我要测试的内容吗？如果没有，什么是更好的方法，我将如何在两个程序中做到这一点以获得相同的结果？

编辑

另一件需要注意的事情是我没有对我的因素进行虚拟编码。我不知道这是否是任何一个软件的问题，或者 SPSS 与 R 中的内置编码是否不同。我也不知道这是否会成为我的三向交互术语的问题。

另外，当我说“因素”时，我指的是一个不变的群体或特征（如“性”）。