符号中的RStudio纵向模型?
RStudio longitudinal model in symbols?
我 运行 RStudio 中的一个纵向模型着眼于老年人和抑郁症,并且正在撰写结果,但我和我的同事对如何解释该模型存在分歧。
我有:
summary(lme.1<- lme(Depression ~ Memory+Gender+Age, random=~Year|ID, data=df, na.action=na.omit))
我们的数据让人们 (ID) 在一年内测量了 4 次抑郁症和其他特征。
当我描述我们 运行 的模型时,我是这样写的:
Level 1: Yit = π0i +π1i(Memory) +π2i(Gender) +π3i(Age) +εit
π0i = β00 + r0i
Level 2:
π1i= β10+ r1i
π2i= β20+ r2i
π3i= β30+ r3i
或者我是否误解了记忆、性别和年龄变量的去向?据我了解,我没有在第 2 级包含任何变量。我应该这样做吗?如果它们是 2 级变量,我不明白会有什么不同,或者我将如何在 RStudio 中以不同的方式编码。
首先,Age
和Year
是两个完全相关的变量,因此下面我将它们替换为时间变量t
。
@Quixotic 给出的代码变为:
lme(Depression ~ Memory+Gender+t, random=~t|ID, data=df, na.action=na.omit)
估计模型
Yit = (β0 + r0i) + β1(Memory) + β2(Gender) + (β3 + r3i)(t) + εit
where r0i~N(0,σ0) and r3i~N(0,σ3)
项Depression ~ Memory+Gender+te
和~t|ID
分别是混合效应模型的固定部分和随机部分,因此系数π1, π2, π3
对所有受试者都是固定的。
上面@Quixotic 描述的随机截距和斜率模型可以估计为:
lme(Depression ~ Memory+Gender+t, random=~Memory+Gender+t|ID,
data=df, na.action=na.omit)
我 运行 RStudio 中的一个纵向模型着眼于老年人和抑郁症,并且正在撰写结果,但我和我的同事对如何解释该模型存在分歧。
我有:
summary(lme.1<- lme(Depression ~ Memory+Gender+Age, random=~Year|ID, data=df, na.action=na.omit))
我们的数据让人们 (ID) 在一年内测量了 4 次抑郁症和其他特征。
当我描述我们 运行 的模型时,我是这样写的:
Level 1: Yit = π0i +π1i(Memory) +π2i(Gender) +π3i(Age) +εit
π0i = β00 + r0i
Level 2:
π1i= β10+ r1i
π2i= β20+ r2i
π3i= β30+ r3i
或者我是否误解了记忆、性别和年龄变量的去向?据我了解,我没有在第 2 级包含任何变量。我应该这样做吗?如果它们是 2 级变量,我不明白会有什么不同,或者我将如何在 RStudio 中以不同的方式编码。
首先,Age
和Year
是两个完全相关的变量,因此下面我将它们替换为时间变量t
。
@Quixotic 给出的代码变为:
lme(Depression ~ Memory+Gender+t, random=~t|ID, data=df, na.action=na.omit)
估计模型
Yit = (β0 + r0i) + β1(Memory) + β2(Gender) + (β3 + r3i)(t) + εit
where r0i~N(0,σ0) and r3i~N(0,σ3)
项Depression ~ Memory+Gender+te
和~t|ID
分别是混合效应模型的固定部分和随机部分,因此系数π1, π2, π3
对所有受试者都是固定的。
上面@Quixotic 描述的随机截距和斜率模型可以估计为:
lme(Depression ~ Memory+Gender+t, random=~Memory+Gender+t|ID,
data=df, na.action=na.omit)