问题标签 [longitudinal]

我有超过 10 天观察的多组鸟类的行为数据。我想调查某些行为是否存在时间模式（例如，配偶竞争是否会随着时间的推移而增加？）有人告诉我，我必须考虑数据的自相关，因为每天的行为不太可能是独立的。

但是我想知道两件事：

1. 由于我对天之间 y 的差异不感兴趣，但对 y 随天的趋势不感兴趣，我还需要校正自相关吗？

2. 如果是，我如何控制自相关，以便我只被信号（当然还有噪声）排除在外？

对于第二个问题，请记住，我将使用 R 中的混合模型分析时间对行为的影响（因为存在随机效应，例如伪复制），但我还没有找到任何直接的方法来纠正自相关建模响应时的数据。

对于 R studio 中的描述图，我想在我的意大利面条图中拟合一条回归曲线。要创建我使用的意大利面条图：

我有这个情节

然后我想拟合一条多项式曲线，所以我使用了这段代码：

这就是我所拥有的：

我想要的是拟合一条曲线，就像我在图像 2 中得到的曲线一样，但在意大利面条图上（每个主题的纵向数据）。

我尝试使用此代码：

但我没有从中得到任何东西。

有人可以帮我吗？

这里举一个来自互联网的例子

百万谢谢。

莉莉

我从我的数据帧（包含 20 行）中以宽格式随机抽取了 100 行。我使用了这个 r 代码：

它返回一个包含 100 行（每行都有患者 ID、治疗结果、治疗联盟）的数据框，其中可能会重复患者 ID。这很棒，因为这就是我想要的。

由于我对纵向效应感兴趣，我现在需要从我的长格式数据框中提取相应的行（基于患者 ID）。我尝试了以下代码：

但是，我没有收到 100 名患者（*治疗长度），而只有 20 名患者。

我需要使用什么代码来允许从长格式数据框中提取患者的频率与从我的宽格式数据框中随机选择的次数一样多？

我希望我的问题足够清楚。

我正在使用该lfe包来估计一个面板回归模型，其中conversion是一个二元变量。我知道最终应该使用逻辑回归，但是，一位教授建议首先使用线性回归作为参数的估计（看看它们是否具有直观意义），然后如果它们有意义则使用逻辑回归，这需要更多时间一个大数据集。我遇到了以下问题，这导致一些参数是NA. 你知道可以做些什么来解决这个问题吗？

我有一个包含多次患者就诊的数据库，例如

1 1 1 1 2 2 3 3 3 3 4 4 4 4

它们在一列中（尽管此处显示为一行），我想知道如何计算我有多少科目。就像在这种情况下：4

我不知道在 R 中使用哪个代码。

谢谢你。

I'm analyzing some longitudinal data using lme4 package (lmer function) with 3 Levels: measurement points nested in individuals nested in households. I'm interested in linear and non-linear change curves surrounding a specific life event. My model has many time predictors (indicating linear change before and after the event occurs and indicating non-linear change (i.e., squared time variables) before and after the event occurs). Additionally, I have several Level-2 predictors that do not vary with time (i.e., personality traits) and some control variables (e.g., age, gender). So far I did not include any random slopes or cross-level interactions.

This is my model code:

outcome = my dependent variable

time = year 1, year 2, year 3 ... (until year 9); this variable symbolizes something like a testing effect

preLin = time variable indicating time to the event (this variable is 0 after the event has occurred and is -1 e.g. one year ahead of the event, -2 two years ahead of the event etc.)

postLin = time variable indicating time after the event (this variable is 0 before the event and increases after the event has occurred; e.g. is +1 one year after the event)

I was wondering how I could plot the predicted values of this lmer model (e.g., using ggplot2?). I've plotted change curves using the method=gam in R. This is a rather data-driven method to inspect the data without pre-defining if the curve is linear or quadratic or whatever. I would now like to check whether my parametric lmer model is comparable to that data-driven gam-plot I already have. Do you have any advise how to do this?

I would be more than happy to get some help on this! Please also feel free to ask if I was not precise enough on my explanation of what I would like to do!

Thanks a lot!

Follow this link: This is how my gam-plot looks like and I hope to get something similar when plotting the predicted values of my lmer model!

我有一个看起来像这样的数据集：

我想对变量 Surface、ex.time 和 antib.time 和治疗运行 Cox 回归。治疗是一个指示变量。表面表示身体燃烧的百分比。ex.time 和 antib.time 都以天为单位记录事件发生的时间。

我知道要运行与时间相关的 Cox 回归，我需要将数据转换为纵向结构，但我如何在 R 中做到这一点？

然后我将使用公式：

数据

我有以下不平衡数据集：

我想要一个变量 lagA 真正考虑到每个观察的年份和 id 而不仅仅是将列向下移动：

有任何想法吗？我尝试确保数据框是 pf 类pdata.frame，但是当我使用函数 lag(A,1) 时，它只会将列向下移动，从而产生不一致的结果。

我的问题是关于进行具有混合效应和二项式响应的纵向试验。

我有一个重复测量的试验数据要分析：患者接受 4 种疗法（安慰剂和 3 种设备）——每个患者随机接受某种疗法，没有开关——并检查了 3 次。检查的结果是二项式的：真/假。

三个时间点分别是：第 3 周、第 16 周、第 24 周。我现在在想是作为因素还是连续治疗更好。

我想通过结合混合效应模型来分析治疗臂和时间之间的关系。

我的模型是这样的：exam <- time * arm + (1 + time + arm |病人)

我期望主体内自相关。我想尝试：Toeplitz、AR(1) 和非结构化残差协方差矩阵。

如公式所示，随机效应矩阵涉及所有随机效应之间的相关性：斜率和截距。我希望初始反应低的患者随着时间的推移和治疗的不同而有更陡峭的反应。我预计治疗和安慰剂之间的斜率会有所不同。我预计至少随着时间的推移，成功的比例不会下降，也就是说，随着时间的推移，越来越多的患者将接受积极的检查（每个科目进行 3 次检查）。

分布是具有 logit 链接函数的二项式分布。

我还想以某种方式使用 SAS 验证输出，因此优化方法应该与 SAS 使用的方法相当。使用哪个 SAS 过程并不重要。

我可以考虑 ML、REML、Laplace、惩罚准似然。优化还可以涉及 Nelder-Mead 方法。

我听说，PQL 的计算质量最差，而 Laplace 是最好的。

我想过：

• nlme - 它支持残差协方差结构，但不处理非高斯分布

  • lme4 - 处理二项式分布，有很多额外的工具，可以很好地使用单模型 anova 函数，给我边际效应（在没有强交互的情况下），但不处理除对角线之外的剩余协方差结构，这是错误的在纵向模型中，因为检查可能是自相关的

我害怕将其用于自然的纵向试验。

• glmmPQL 处理这两个功能，但质量很差，根据定义没有 ML/REML

• glmmTMB - 处理两者，但相对较新，我不知道它的测试效果如何以及我是否可以信任它？还提出了有关使用 AR1 进行截距的问题 - 这是因为截距“代表”仅代表一个点（在 X =“0”），所以随着时间的推移没有自相关？

这种分析，混合效应逻辑纵向模型在 R 中甚至可能吗？我假设人们过去设法以某种方式分析具有 R 协方差的非高斯混合模型。

我有一个纵向数据集，其中每个主题都代表不止一次。一位代表一位患者入院。每次录取，不论科目也都有唯一的“钥匙”。我需要弄清楚哪个录取是“INDEX”录取，即第一次录取，以便我知道哪些行是后续的RE-admission。要使用的变量是“Daystoevent”；最小的数字代表 INDEX 录取。我想基于以下条件创建一个新变量这无需更改为水平格式。

数据集如下所示：

Subject Daystoevent Key A 5 rtwe A 8 erer B 3 tter B 8 qgfb A 2 sada C 4 ccfw D 7 mjhr B 4 sdfw C 1 srtg C 2 xcvs D 3 muyg

将不胜感激一些帮助。