全文链接：http://tecdat.cn/?p=24172
最近咱们被客户要求撰写对于潜过程混合效应模型（lcmm）的钻研报告，包含一些图形和统计输入。
每个动静景象都能够用一个潜过程（(t)）来表征，这个潜过程在间断的工夫t中演变。有时，这个潜过程是通过几个标记来掂量的，因而潜过程是它们的独特因素。
多元标记的潜过程混合模型
Proust-Lima 等人引入了潜在过程混合模型。(2006 - A Nonlinear Model with Latent Process for Cognitive Evolution Using Multivariate Longitudinal Data - Proust - 2006 - Biometrics - Wiley Online Library 和 2013 - Analysis of multivariate mixed longitudinal data: A flexible latent process approach - Proust‐Lima - 2013 - British Journal of Mathematical and Statistical Psychology - Wiley Online Library ).
应用线性混合模型依据工夫对定义为潜过程的感兴趣量进行建模：
其中：
- X(t) 和 Z(t) 是协变量的向量（Z(t) 蕴含在 X(t) 中；
- 是固定效应（即总体均匀效应）；
- ui 是随机效应（即个体效应）；它们依据具备协方差矩阵 B 的零均值多元正态分布进行散布；
- (wi(t)) 是一个高斯过程。
依据工夫和协变量的 (t) 构造模型与单变量状况完全相同。
当初，咱们不再定义一个察看方程，而是定义 K 个不同标记的 K 个察看方程，其中 Yijk是对主体 i、标记 k 和场合 j 的察看。在单变量状况下，能够通过定义特定于标记的链接函数 Hk 来解决几种类型的标记。特定于标记的察看方程还可能包含协变量上的一些比照 k 以及标记和主体特定的随机截距：
其中：
- ik~N(0,2k)
- Xcijk协变量向量
- k 是比照（k 上的总和等于 0）
- tijk 对象 i、标记 k 和场合 j 的测量工夫；
- ijk一个独立的高斯误差，均值为 0，方差为 2kk2；
- Hk将潜过程转换为标记 k 的尺度和度量的链接函数（由 k 参数化）。
目前只思考间断链接函数。这些与单变量状况（在 lcmm 中）雷同。H−1 是一组递增枯燥函数的参数族：
- 线性变换：这简化为线性混合模型（2 个参数）
- Beta 累积散布族从新调整（4 个参数）
- 具备 m 个节点的二次 I 样条的基（m+2 个参数）
可识别性
与任何潜在变量模型一样，必须定义潜在变量的度量。这里第一个随机效应 ui的方差设置为 1，均匀截距（在 中）设置为 0。
认知过程示例
在这个例子中，当认知被定义为三种心理测试的独特因素时，咱们钻研了认知随工夫变动的轨迹：MMSE、BVRT和IST。这里的时间尺度是进入队列后的年数，轨迹被假设为工夫上的二次方（在集体和人群层面），模型被调整为进入时的年龄。为了进一步钻研性别的影响，包含对独特因素的均匀效应和对每个标记的差别效应（比照）（在这个例子中不与工夫相互作用）。
模型思考：
其中：
和 , 是布朗过程， 对于 k = 1,2,3： , 和
不同链接函数的预计
咱们首先创立变量标准化， 防止数值问题：
tie <- (ae - ag_it)/10ag75 <- (ae_it - 75)/10线性链接函数
默认状况下，所有链接函数都设置为线性：
mlmm( ubc'ID', dt = pud, radom = T, cr =B(tme))非线性链接函数
依据数据的性质，可能须要一些非线性链接函数。例如，这里的 MMSE 是高度偏斜的：
hist(MMSE)点击题目查阅往期内容
R语言如何用潜类别混合效应模型（LCMM）剖析抑郁症状
左右滑动查看更多
01
02
03
04
在单变量状况下，能够思考 Beta CDF 或样条。链接函数族能够对所有标记都雷同（即便参数不同）：
# 以Beta为例mlmm( lnk = 'beta')或者能够不同地抉择链接函数。例如，
# 样条曲线中不同数量的结点mlmm( lik = c('eta','3-uan-spes','3-antpln'))修复一些转换参数
请留神，样条变换有时可能波及十分靠近 0 的参数，从而导致无奈收敛（因为参数位于参数空间的边界）。这常常产生在 MMSE 中。例如，在上面的示例中，因为 MMSE 变换的第三个参数低于 10e-4，因而不容易达到收敛。
# 样条曲线mlmm( axe=50, ink = c('3asin'))通过应用 fix 选项修复此参数，能够轻松解决此问题。为此，能够从预计向量（此处为第 21 个参数）中辨认参数的地位：
best并且能够依据这些估计值和新固定的参数从新拟合模型：
# 样条曲线mult(B=mp$best)有了这个束缚，模型就能够正确收敛。
模型比拟
mult对象是多元潜在过程混合模型，它们假如潜过程的轨迹完全相同，但链接函数不同。在单变量状况下，能够应用信息规范来比拟模型。该 summary 给咱们这样的信息。
sumrtbe(ml)波及 Beta 变换和样条变换的模型在 AIC 方面仿佛比显示偏离正态性的线性变换要好得多。
能够在模型之间绘制和比拟转换：
par(mrow=c(1,1))plot(llnes2, col = c(ol[2],ol[3]ol4]), ld =1,ly=4)除了线性变换，所有的预计变换都十分靠近。
后拟合输入
预计的链接函数：
链接函数的置信区间能够通过蒙特卡罗办法取得：
predict(ml_btapl)plt(Cl)概括
该模型的摘要包含收敛性、拟合优度规范和预计参数。
summary从预计后果来看，根底认知随着工夫的推移有一个二次方的轨迹，基线时年龄较大的受试者的认知程度系统地较低。依据性别没有差别。然而，性别对心理测试有显著的差异性影响（P=0.0003），男性的BVRT系统性较高，女性的IST程度较高。
方差解释
对于多元数据，潜在过程是不同标记的独特潜在因素。因而，咱们能够计算解释潜在过程的每个标记的残差方差。解释的这种方差取决于协变量并在特定工夫计算。
VarE(tbsp,dtafme(tme=0))例如，公因子解释了 42% 的 MMSE 残差变动，而它解释了工夫 0 时 26% 的 BVRT 残差变动。
标记的预测轨迹图
能够依据协变量散布计算标记的预测轨迹，而后绘制。
predct(btapl,nwdta=dtew,va.tim='ime')plt(prec_we, ld=c(1)拟合优度：残差图
与任何混合模型一样，咱们心愿特定主题的残差（右下图）是高斯分布的。
plt(mlep, 0.8)拟合优度：预测与察看的关系图
能够依据工夫绘制均匀预测和察看后果。请留神，预测和察看是在潜过程的范畴内（察看被转换为预计的链接函数）：
plot(beal, whch="fit", time="ti")
点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《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》。
点击题目查阅往期内容
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