共计 3902 个字符,预计需要花费 10 分钟才能阅读完成。
全文下载链接: http://tecdat.cn/?p=26105
最近咱们被客户要求撰写对于潜类别(分类)轨迹模型 LCTM 的钻研报告,包含一些图形和统计输入。
在本文中,潜类别轨迹建模 (LCTM) 是流行病学中一种绝对较新的办法,用于形容生命过程中的裸露,它将异质人群简化为同质模式或类别。然而,对于给定的数据集,能够依据类的数量、模型构造和轨迹属性得出不同模型的分数
本文阐明了 LCTM 的根本用法,用于汇总拟合的潜在类轨迹模型对象的输入。
例子
_目标_:通过将 BMI 建模为年龄函数,辨认具备不同轨迹的参与者亚组。依据迄今为止可用的文献,咱们假如初始 K=5 类 BMI 轨迹。
咱们应用体重指数 (BMI) 反复测量 10,000 个样本的长格局数据框。
提供了一个示例(模仿)数据集 bmi 来形容整个步骤。
蕴含的变量有:
id – 集体 ID
年龄 – BMI 测量的年龄,以年为单位
bmi – 集体在 T1、T2、T3 和 T4 工夫的体重指数,以 kg/m^2 为单位 true_class – 用于辨认模仿集体 BMI 数据的类别的标签
加载数据
绘制数据
潜在类轨迹建模的八步示例
为了对纵向后果 yijk 进行建模,对于 k=1:K,类,对于个体 i,在工夫点 j,tj 能够应用许多建模抉择。咱们在这里给出方程来阐明这些,并依照复杂度减少的程序将它们命名为模型 A 到 G。
模型 A:无随机效应模型 | 固定效应同方差 | – 解释集体轨迹与其均匀类轨迹的任何偏差仅是因为随机误差
其中假如所有类的残差方差相等,
相干视频
**
拓端
,赞 15
模型 B:具备特定类别残差的固定效应模型 | 异方差 | 与模型 A 雷同的解释,随机误差在不同的类别中可能更大或更小。
其中假如残差方差不同
模型 C:随机截距 解释是容许个体的初始体重不同,但假如每个班级成员遵循均匀轨迹的雷同形态和大小
对于 k=1:K, classes, 对于个体 i, 在工夫点 j, tj,
其中随机效应散布
模型 D:随机斜率 容许个体在初始权重和均匀轨迹的斜率上有所不同
对于 k=1:K,类,对于个体 i,在工夫点 j , tj,
其中假如随机效应散布为
模型 E:随机二次 – 跨类的独特方差构造 容许个体在类内通过初始权重变动,然而假如每个类具备雷同的变异量。对于 k=1:K, 类, 对于个体 i, 在工夫点 j, tj,
其中假如随机效应散布为
模型 F 和 G:随机二次 – 容许方差构造跨类变动的比例束缚,减少模型 E 的灵活性,因为容许方差构造相差一个乘法因子,以容许某些类具备更大或更小的类内方差。该模型能够被认为是模型 G 的更简洁版本(将要预计的方差 - 协方差参数的数量从 6xK 参数缩小到 6+(K-1)个参数。
对于 k=1:K, classes, 对于个体 i, 在工夫点 j, tj,
其中假如随机效应散布为
第一步:抉择随机效应构造的模式
为了确定随机效应的初始工作模型构造,能够遵循 Verbeke 和 Molenbergh 的基本原理来查看没有随机效应的模型中每个 K 类的标准化残差图的形态。
如果残差轮廓能够近似为平坦、直线或曲线,则别离思考随机截距、斜率或二次项。
为了拟合没有随机效应的潜在类模型。
hlmfixed(bmig)
而后,咱们将拟合模型输出 LCTM 中的 step1 函数,以查看特定类别的残差。
第 2 步
优化步骤 1 中的初步工作模型以确定最佳类数,测试 K=1,…7。能够依据最低贝叶斯信息规范 (BIC) 来抉择所选类别的数量。
set.seed(100)
for (i in 2:4) {mi <- lchlme( data.frame(bmg[1:500,])
}
#> Be patient, hlme is running ...
#> The program took 0.29 seconds
#> Be patient, hlme is running ...
#> The program took 0.69 seconds
#> Be patient, hlme is running ...
#> The program took 2.3 seconds
modelut <-kable(lin)
第 3 步
应用步骤 2 中推导出的偏好 K 进一步细化模型,测试最优模型构造。咱们测试了七个模型,从简略的固定效应模型(模型 A)到容许残差在类别之间变动的根本办法(模型 B)到一组具备不同方差构造的五个随机效应模型(模型 CG)。
- A(SAS、PROC TRAJ)
- B 型(R,mmlcr)
调用 source() 命令。
mmldata = bmi_l01
# )
# model_b$BIC
- C(SAS、PROC TRAJ)
- D 型(SAS、PROC TRAJ)
- E 型 (R, lcmm)
moe <- hlmfixed = bmi ~1+ age + I(age^2),
mixture = ~1 + age + I(age^2)
#> Be patient, hlme is running ...
#> The program took 0.77 seconds
me$BIC
- F 型 (R, lcmm)
fixed = bmi ~1+ age + I(age^2),
mixture = ~1 + age + I(age^2)
mod$BIC
- G(SAS、PROC TRAJ)
第四步
执行一些模型充分性评估。首先,对于每个参与者,计算被调配到每个轨迹类的后验概率,并将个体调配到概率最高的类。在所有类别中,这些最大后验调配概率 (APPA) 的平均值高于 70% 被认为是能够承受的。应用正确分类、不匹配的几率进一步评估模型的充分性。
LCTMdel_f
第 5 步
- 图形示意办法;
- 绘制蕴含每个类的工夫均匀轨迹
- 每个类具备 95% 预测区间的均匀轨迹图,显示每个类内预测的随机变动
plotpred <- predictY
plototp
- 集体程度的“面条图”随工夫变动,取决于样本量,可能应用参与者的随机样本
ggplot(bm, aes(x = age, y = bmi)) + geom_line
ggplot(bmong) + geom_line
点击题目查阅往期内容
R 语言用潜类别混合效应模型 (Latent Class Mixed Model ,LCMM) 剖析老年痴呆年龄数据
左右滑动查看更多
01
02
03
04
第 6 步
评估模型。
第 7 步
应用四种办法评估临床特色和合理性;
1. 评估轨迹模式的临床意义,旨在包含至多 1% 的人群的类别
postprb(modf)
2. 评估轨迹类别的临床合理性
应用生成的图 来评估预测的趋势对于正在钻研的组是否事实。例如,对于钻研 BMI,显示降落到 <5 kg/m2 的预测趋势是不事实的。
3. 潜在类别与传统分类的特色列表
应用从所选模型中提取类调配;
而后用描述性变量反馈到主数据集中。
而后能够依据须要将这些制成表格。
等等。
4. 应用 kappa 统计的类成员与传统 BMI 类别成员的一致性
# 定义 BMI 类别,这些类别的数量须要与类别的数量相等
confusionMatrix(bmi_class, bmclass
kable(y, row.names =)
第 8 步
酌情进行敏感性剖析。
本文摘选 《 R 语言潜类别(分类)轨迹模型 LCTM 剖析体重指数 (BMI)数据可视化 》,点击“ 浏览原文”获取全文残缺材料。
点击题目查阅往期内容
R 语言用潜类别混合效应模型 (Latent Class Mixed Model ,LCMM) 剖析老年痴呆年龄数据
R 语言贝叶斯狭义线性混合(多层次 / 程度 / 嵌套)模型 GLMM、逻辑回归剖析教育留级影响因素数据 R 语言预计多元标记的潜过程混合效应模型(lcmm)剖析心理测试的认知过程
R 语言因子实验设计 nlme 拟合非线性混合模型剖析有机农业施氮程度
R 语言非线性混合效应 NLME 模型 (固定效应 & 随机效应) 反抗哮喘药物茶碱动力学钻研
R 语言用线性混合效应(多程度 / 档次 / 嵌套)模型剖析腔调高下与礼貌态度的关系
R 语言 LME4 混合效应模型钻研老师的受欢迎水平 R 语言 nlme、nlmer、lme4 用(非)线性混合模型 non-linear mixed model 剖析藻类数据实例
R 语言混合线性模型、多层次模型、回归模型剖析学生均匀问题 GPA 和可视化
R 语言线性混合效应模型(固定效应 & 随机效应)和交互可视化 3 案例
R 语言用 lme4 多层次(混合效应)狭义线性模型(GLM),逻辑回归剖析教育留级考察数据 R 语言 线性混合效应模型实战案例
R 语言混合效应逻辑回归(mixed effects logistic)模型剖析肺癌数据
R 语言如何用潜类别混合效应模型(LCMM)剖析抑郁症状
R 语言基于 copula 的贝叶斯分层混合模型的诊断准确性钻研
R 语言建设和可视化混合效应模型 mixed effect model
R 语言 LME4 混合效应模型钻研老师的受欢迎水平
R 语言 线性混合效应模型实战案例
R 语言用 Rshiny 摸索 lme4 狭义线性混合模型(GLMM)和线性混合模型(LMM)
R 语言基于 copula 的贝叶斯分层混合模型的诊断准确性钻研
R 语言如何解决线性混合模型中畸形拟合 (Singular fit) 的问题
基于 R 语言的 lmer 混合线性回归模型
R 语言用 WinBUGS 软件对学术能力测验建设档次(分层)贝叶斯模型
R 语言分层线性模型案例
R 语言用 WinBUGS 软件对学术能力测验(SAT)建设分层模型
应用 SAS,Stata,HLM,R,SPSS 和 Mplus 的分层线性模型 HLM
R 语言用 WinBUGS 软件对学术能力测验建设档次(分层)贝叶斯模型
SPSS 中的多层(等级)线性模型 Multilevel linear models 钻研整容手术数据
用 SPSS 预计 HLM 多层(档次)线性模型模型