如何在 R 中进行边际模型分析？

Question

问题。我想在 R 中进行边际模型分析——我认为它有时被称为人口平均模型、边际多层次模型或边际线性回归模型。但是，我在 Whosebug、Google 或 Youtube 上找不到任何关于如何在 R 中专门执行此操作的信息。

背景。 我说的是 The Analysis Factor here and here and as described on these PowerPoint slides. There's one person on CrossValidated 所描述的边际模型，他在SPSS 和 R 但他没有显示他的实际代码，他的问题也没有得到回答。不确定是否应该在 nlme 包中完成。

SPSS 代码。 我已经描述了这些数据的性质 elsewhere on CrossValidated，但基本上，我们感兴趣的是预测参与者的情绪（在 2 个不同的环境中测量两次）条件）通过个性（测量一次）。这是我在 SPSS 中使用的代码。

MIXED emotion BY condition WITH centeredPersonality
    /FIXED=condition centeredPersonality condition*centeredPersonality
    /METHOD = REML
    /REPEATED= condition | SUBJECT (ID) COVTYPE(UN)
    /PRINT=SOLUTION.

问题。如何在 R 中执行此操作？

Answer 1

我认为 geepack 包的 geeglm 可以做到这一点。我的理解是，广义估计方程与边际模型是一回事。 geeglm 的语法类似于 glm，如果你使用高斯族，你会得到类似于标准边际模型的结果。我确定还有其他方法，但这应该可行。

edit：这是一个您可能会使用的示例，对条件和个性这两个变量及其交互作用进行情绪回归。条件被视为一个因素，错误按 id 聚类。 geeglm 的默认系列是 gaussian/Normal，因此我们不需要指定它。

> library(geepack)
> dat <- data.frame(id = c(1, 1, 2, 2, 3, 3, 4, 4), 
+                   condition = factor(c(1, 2, 1, 2, 1, 2, 1, 2)), 
+                   personality = c(2.5, 2.5, 4.0, 4.0, 3.3, 3.3, 4.2, 4.2),
+                   emotion = c(5.0, 4.9, 2.6, 2.3, 4.3, 2.9, 1.0, 1.0))
>   
> my_mod <- geeglm(emotion ~ condition*personality, data = dat, id = id)
> summary(my_mod)

Call:
geeglm(formula = emotion ~ condition * personality, data = dat, 
    id = id)

 Coefficients:
                       Estimate Std.err  Wald Pr(>|W|)    
(Intercept)              10.815   1.296 69.68  < 2e-16 ***
condition2               -0.902   1.284  0.49     0.48    
personality              -2.169   0.385 31.77  1.7e-08 ***
condition2:personality    0.129   0.322  0.16     0.69    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Estimated Scale Parameters:
            Estimate Std.err
(Intercept)    0.223  0.0427

Correlation: Structure = independenceNumber of clusters:   4   Maximum cluster size: 2

如何在 R 中进行边际模型分析？

How to do a marginal model analysis in R?

r

spss

mixed-models

longitudinal

multilevel-analysis