如何将纵向效应纳入线性混合效应模型
How to include the longitudinal effect into a linear mixed effect model
我需要使用线性混合效应模型评估两次访问之间的纵向脂肪变化。
我有一些会从访问 1 到访问 2 发生变化，因为它们是 高血压状态、糖尿病状态、bmi、腰围、smoking_status 等。并且从访问 1 到访问 2 不会改变的其他变量，因为它们是 性别或种族。
以下变量是虚拟的（高血压状态、糖尿病状态、smoking_status、性别）而以下是连续的（bmi、腰围, 年龄).
我最初使用 nlme 包的想法表示为：
lme(fat~ diabetes_status + hypertension_status + bmi + waist + smoker + gender + ethnicity + Visit, random= ~1|PatientID/Visit, data = df, na.action = na.omit)
访问有 2 个级别（1 和 2）
问题：
- 您认为这是评估脂肪是否存在纵向变化的正确方法吗？
- 您认为这包含太多固定效应吗？
PS：我为您提供了一个示例数据集：
df <- data.frame(PatientID = c(1000344, 1000344,1001471, 1001471, 1002830, 1002830),Visit = c(1,2,1,2,1,2),fat= c( 8.510 ,14.456, 4.612,4.738,18.021,25.740), diabetes_status= c("False" ,"True","False" ,"False" ,"False","True"), hypertension_status= c("True" ,"True","False" ,"True" ,"False","True"),bmi= c(32.0386 ,33.4919 ,29.6878 ,28.7660 ,26.1540 ,26.2788), waist= c(105 ,105 ,98 ,101 ,91 ,96), smoker= c(1 ,0 ,0 ,0 ,1 ,0), gender= c(1 ,1 ,0 ,0,1 ,1), ethnicity= c(1,1 ,0,0,1 ,1), stringsAsFactors = F)
谢谢！
你所拥有的并不是一个糟糕的开始。固定效应参数（您可以通过 运行 fixef() 在模型对象上获得）应该给您一些指示 'overall' 每个模型固定效应对结果变量的影响。
在不知道您有多少数据的情况下，很难说您的模型是否包含太多固定效应。其他一些因素也可能很重要，例如您的预测变量 co-vary（尤其是虚拟变量）的程度。对于您的示例数据集，您肯定有太多固定效果，但是，我猜您在真实数据集中有超过六个观察值。这里的一些容易实现的目标可能是去除 BMI 或腰围。两者本质上都在尝试衡量同一件事。
我建议花一些时间与 Pinheiro，J.C，和 Bates，D.M。 (2000) “Mixed-Effects S 和 S-PLUS 中的模型”，Springer。这是一个很好的资源，有许多不同的工作示例。 Mixed-effects 模型是一个很大的话题。我相信这本书还有一些章节介绍了构建模型复杂性的顺序，以及如何测试添加或固定和随机效应是否改进了模型。例如，在评估 fixed/random 效应的 inclusion/removal 时，您是否使用最大似然法或受限最大似然法拟合模型很重要。
编辑：我刚刚注意到您只有两次访问。您最好剥离访问模型层并将访问之间的“脂肪变化”建模为结果。如果您在这两次访问中每次只对每位患者进行一次测量，那么您也不需要患者 ID 级别。因此，您可以使用简单的线性回归模型。但是，我根据您提供的示例数据对您的数据做出了很多假设。
我需要使用线性混合效应模型评估两次访问之间的纵向脂肪变化。
我有一些会从访问 1 到访问 2 发生变化，因为它们是 高血压状态、糖尿病状态、bmi、腰围、smoking_status 等。并且从访问 1 到访问 2 不会改变的其他变量，因为它们是 性别或种族。
以下变量是虚拟的（高血压状态、糖尿病状态、smoking_status、性别）而以下是连续的（bmi、腰围, 年龄).
我最初使用 nlme 包的想法表示为：
lme(fat~ diabetes_status + hypertension_status + bmi + waist + smoker + gender + ethnicity + Visit, random= ~1|PatientID/Visit, data = df, na.action = na.omit)
访问有 2 个级别（1 和 2）
问题：
- 您认为这是评估脂肪是否存在纵向变化的正确方法吗？
- 您认为这包含太多固定效应吗？
PS：我为您提供了一个示例数据集：
df <- data.frame(PatientID = c(1000344, 1000344,1001471, 1001471, 1002830, 1002830),Visit = c(1,2,1,2,1,2),fat= c( 8.510 ,14.456, 4.612,4.738,18.021,25.740), diabetes_status= c("False" ,"True","False" ,"False" ,"False","True"), hypertension_status= c("True" ,"True","False" ,"True" ,"False","True"),bmi= c(32.0386 ,33.4919 ,29.6878 ,28.7660 ,26.1540 ,26.2788), waist= c(105 ,105 ,98 ,101 ,91 ,96), smoker= c(1 ,0 ,0 ,0 ,1 ,0), gender= c(1 ,1 ,0 ,0,1 ,1), ethnicity= c(1,1 ,0,0,1 ,1), stringsAsFactors = F)
谢谢！
你所拥有的并不是一个糟糕的开始。固定效应参数（您可以通过 运行 fixef() 在模型对象上获得）应该给您一些指示 'overall' 每个模型固定效应对结果变量的影响。
在不知道您有多少数据的情况下，很难说您的模型是否包含太多固定效应。其他一些因素也可能很重要，例如您的预测变量 co-vary（尤其是虚拟变量）的程度。对于您的示例数据集，您肯定有太多固定效果，但是，我猜您在真实数据集中有超过六个观察值。这里的一些容易实现的目标可能是去除 BMI 或腰围。两者本质上都在尝试衡量同一件事。
我建议花一些时间与 Pinheiro，J.C，和 Bates，D.M。 (2000) “Mixed-Effects S 和 S-PLUS 中的模型”，Springer。这是一个很好的资源，有许多不同的工作示例。 Mixed-effects 模型是一个很大的话题。我相信这本书还有一些章节介绍了构建模型复杂性的顺序，以及如何测试添加或固定和随机效应是否改进了模型。例如，在评估 fixed/random 效应的 inclusion/removal 时，您是否使用最大似然法或受限最大似然法拟合模型很重要。
编辑：我刚刚注意到您只有两次访问。您最好剥离访问模型层并将访问之间的“脂肪变化”建模为结果。如果您在这两次访问中每次只对每位患者进行一次测量，那么您也不需要患者 ID 级别。因此，您可以使用简单的线性回归模型。但是，我根据您提供的示例数据对您的数据做出了很多假设。