Il metodo migliore per creare grafici di crescita

Devo creare grafici (simili ai grafici di crescita) per i bambini dai 5 ai 15 anni (solo 5,6,7 ecc; non ci sono valori frazionari come 2,6 anni) per una variabile di salute che è non negativa, continua e in l'intervallo 50-150 (con pochi valori al di fuori di questo intervallo). Devo creare curve del 90 °, 95 ° e 99 ° percentile e anche creare tabelle per questi percentili. La dimensione del campione è di circa 8000.

Ho controllato e trovato i seguenti modi possibili:

Trova i quantili e quindi usa il metodo loess per ottenere una curva uniforme da questi quantili. Il grado di scorrevolezza può essere regolato dal parametro 'span'.
Utilizzare il metodo LMS (Lambda-Mu-Sigma) (ad es. Utilizzando gamlss o pacchetti VGAM in R).
Usa la regressione quantile.
Usa la media e la DS di ogni fascia d'età per stimare il percentile per quell'età e creare curve percentili.

Qual'è il miglior modo di farlo? Per "migliore" intendo sia il metodo ideale che è il metodo standard per la creazione di tali curve di crescita e sarebbe accettabile per tutti. O un metodo più semplice e più semplice da implementare, che può avere alcune limitazioni, ma è un metodo accettabile e più rapido. (Ad esempio, usare loess sui valori percentili è molto più veloce dell'uso di LMS del pacchetto gamlss).

Inoltre quale sarà il codice R di base per quel metodo.

Grazie per l'aiuto.

— rnso
fonte

Stai chiedendo il "migliore" che di solito è ovunque tra difficile e impossibile da discutere definitivamente. (La "migliore" misura di livello è abbastanza difficile.) Hai chiaramente legato la tua domanda ai cambiamenti di salute nei bambini, ma i tuoi criteri di "migliore" non sono espliciti, in particolare quali tipi o gradi di scorrevolezza sono accettabili o inaccettabili.

— Nick Cox,

Accolgo con favore il tentativo, ma a) evidentemente non esiste, altrimenti perché esistono soluzioni concorrenti o perché ciò non è evidente nella letteratura che stai leggendo? L'interesse per questo problema ha sicuramente decenni se non secoli. Significa più facile: più facile da capire, più facile da spiegare a medici o professionisti non statisticamente in generale, più facile da implementare, ...? Sicuramente mi sembra schizzinoso, ma perché dovresti preoccuparti della velocità qui? Nessuno di questi metodi è impegnativo dal punto di vista computazionale.

— Nick Cox,

@NickCox: ho modificato la domanda in base ai tuoi commenti. Apprezzerò una vera risposta.

— anche il

Siamo spiacenti, ma non lavoro in questo campo e penso che la tua domanda sia troppo sfuggente per rispondere. I commenti esistono perché le persone potrebbero essere incapaci o non disposti a rispondere ma hanno comunque qualcosa da dire. Non scrivo risposte per ordinare.

— Nick Cox,

Risposte:

Esiste una vasta letteratura sulle curve di crescita. Nella mia mente ci sono tre approcci "migliori". In tutti e tre, il tempo è modellato come una spline cubica limitata con un numero sufficiente di nodi (ad es. 6). Questo è un parametro più fluido con prestazioni eccellenti e interpretazione semplice.

Modelli di curva di crescita classica (minimi quadrati generalizzati) per dati longitudinali con un modello di correlazione sensibile come AR1 a tempo continuo. Se puoi mostrare che i residui sono gaussiani, puoi ottenere MLE dei quantili usando le medie stimate e la deviazione standard comune.
$n$
$Y$ $Y$

— Frank Harrell
fonte

Quando hai usato probabilità proporzionali, come hai adattato l'assunzione di PO (supponendo che abbia fallito) con così tanti livelli di risultato? Grazie.

— luglio

Anche se fallisce, il modello potrebbe funzionare meglio di alcuni degli altri modelli a causa di un minor numero di ipotesi complessive. Oppure passare a uno degli altri modelli ordinali della famiglia di probabilità cumulativa come i rischi proporzionali (collegamento prob. Log-log cumulativo).

— Frank Harrell,

Regressione del processo gaussiano . Inizia con il kernel esponenziale quadrato e prova a ottimizzare i parametri a occhio. Più tardi, se vuoi fare le cose correttamente, sperimenta kernel diversi e usa la probabilità marginale per ottimizzare i parametri.

Se vuoi maggiori dettagli di quelli forniti dal tutorial sopra riportato, questo libro è fantastico .

— Andy Jones
fonte

Grazie per la tua risposta. Come giudichi la regressione del processo gaussiano rispetto ad altri metodi menzionati. La seconda trama gaussiana su scikit-learn.org/0.11/auto_examples/gaussian_process/… appare molto simile alla seconda ultima trama in questa pagina di LOESS (regressione locale): princeofslides.blogspot.in/2011/05/… . LOESS è molto più facile da eseguire.

— anche il

Personalmente, preferisco fortemente GPR per qualsiasi set di dati che sia abbastanza piccolo da permetterti di adattarlo. Oltre ad essere molto più "gradevole" dal punto di vista teorico, è più flessibile, robusto e offre un output probabilistico ben calibrato. Detto questo, se i tuoi dati sono densi e ben educati, probabilmente il tuo pubblico non sarà in grado di dire la differenza tra LOESS e un GPR a meno che non siano statistici.

— Andy Jones,

y

$y$

x

$x$

@Nick: Il mio consiglio era quello di costruire un modello dei tuoi dati e quindi utilizzare il modello per costruire le curve percentili (uniformi). Ora l'hai menzionato, sì, mi mancava completamente il secondo componente (cioè la vera domanda).

— Andy Jones,

1.96

$1.96$