Come usare la regressione logistica ordinale con effetti casuali?

Nel mio studio misurerò il carico di lavoro con diverse metriche. Con variabilità della frequenza cardiaca (HRV), attività elettrodermica (EDA) e scala soggettiva (IWS). Dopo la normalizzazione, l'IWS ha tre valori:

Carico di lavoro inferiore al normale
Il carico di lavoro è nella media
Il carico di lavoro è superiore al normale.

Voglio vedere quanto bene le misure fisiologiche possono prevedere un carico di lavoro soggettivo.

Pertanto, desidero utilizzare i dati del rapporto per prevedere i valori ordinali. Secondo: Come posso eseguire l'analisi della regressione logistica ordinale in R con entrambi i valori numerici / categorici? questo può essere fatto facilmente usando la MASS:polrfunzione.

Tuttavia, voglio anche tenere conto di effetti casuali come differenze tra soggetti, genere, fumo ecc. Guardando questo tutorial , non vedo come aggiungere effetti casuali MASS:polr. In alternativa lme4:glmersarebbe quindi un'opzione, ma questa funzione consente solo la previsione di dati binari.

È possibile aggiungere effetti casuali a una regressione logistica ordinale?

— Robin Kramer
fonte

Non sei obbligato a usare quote proporzionali per questo tipo di risultato, puoi usare modelli di rapporto di continuazione e altri. È possibile esaminare il pacchetto ordinale disponibile presso CRAN.

— mdewey,

@RobinKramer Per favore chiarisci cosa pensi di intendere per effetti casuali. Quando gli statistici dicono effetti casuali, di solito vogliono rendere conto del raggruppamento tra diverse osservazioni. Ad esempio, supponiamo che tu abbia ripetuto misure sugli stessi individui, quindi ogni obs è una persona alla volta e hai avuto 4 osservazioni per persona. Probabilmente dovresti adattare un modello di effetti casuali; ogni persona ha un effetto casuale specifico della persona (di solito assunto da una distribuzione normale). Quando dici sesso, fumo, ecc., Questi di solito possono essere modellati come effetti fissi. Quindi cosa vuoi dire?

— Weiwen Ng

@WeiwenNg la domanda è piuttosto vecchia, ma ero abituato a usare le regressioni LME in cui ho inserito le variabili, a cui non ero interessato (ma che aveva un effetto sul DV), come effetti casuali. Ho provato a fare lo stesso con questo progetto.

— Robin Kramer,

@RobinKramer Mio male, non sono riuscito a notare la data! Detto questo, penso ancora che ci sia un po 'di confusione qui. Avete ripetute misure sugli individui? In tal caso, probabilmente dovresti includere un'intercettazione casuale per persona. Se sei interessato all'effetto del genere sul DV, probabilmente dovrai solo modellarlo come una normale covariata. Alcuni direbbero che lo modellano come un effetto fisso (perché stai trattando il suo effetto sul DV come fisso). Trattare il genere come un effetto casuale sarebbe davvero ontologicamente confuso.

— Weiwen Ng

Risposte:

In linea di principio è possibile fare in modo che le macchine di qualsiasi software di modello misto logistico eseguano la regressione logistica ordinale espandendo la variabile di risposta ordinale in una serie di contrasti binari tra livelli successivi (ad es. Vedere la sezione 8.4.6 di Dobson e Barnett Introduzione ai modelli lineari generalizzati ). Tuttavia, questo è un dolore e fortunatamente ci sono alcune opzioni in R:

il pacchetto ordinale , tramite clmme clmm2funzioni ( clmm= C umulative L inchiostro M ixed M odello)
il pacchetto mixer , tramite la mixorfunzione
il pacchetto MCMCglmm , tramite family="ordinal"(vedi ?MCMCglmm)
il pacchetto brms , ad es. tramite family="cumulative"(vedi ?brmsfamily)

Queste ultime due opzioni sono implementate all'interno dei framework MCMC bayesiani. Per quanto ne so, tutte le funzioni citate (ad eccezione di ordinal::clmm2) possono gestire molteplici effetti casuali (intercettazioni, pendenze, ecc.); la maggior parte (forse no MCMCglmm?) è in grado di gestire le scelte della funzione di collegamento (logit, probit, ecc.).

( Se avrò tempo tornerò e rivedrò questa risposta con un esempio funzionante di impostazione ex novo di modelli ordinali usandolme4 )

— Ben Bolker
fonte

La ringrazio per la risposta. È un dato di fatto, ho visto qualcuno usare una serie di contrasti binari, ma con una "equazione di stima generale". In che modo ciò si collega ai metodi che hai citato? Inoltre, quando si effettuano diversi confronti, non è necessario correggere il problema del confronto multiplo?

— Robin Kramer,

Un altro modo per stimare un modello di effetti misti con risposta ordinale in R è tramite la mixorfunzione del pacchetto mixer . Questa funzione consente pendenze e intercettazioni casuali e offre una certa scelta rispetto alla funzione di collegamento (non si è limitati alla regressione logistica ordinata, ma è anche possibile utilizzare le funzioni di collegamento probit, log-log e log-log complementari).

— user206892

Vuoi tornare e aggiungere un esempio funzionante?

— Ripristina Monica il

probabilmente è più difficile di quanto io voglia che sia ...

— Ben Bolker,

Sì, è possibile includere effetti casuali in un modello di regressione ordinale. Concettualmente, questo equivale a includere effetti casuali in un modello misto lineare. Sebbene il sito UCLA dimostri solo la polr()funzione nel MASSpacchetto, ci sono una serie di servizi per adattare i modelli ordinali in R. C'è una panoramica più ampia (ma meno dettagliata) qui . L'unico modo che conosco per includere effetti casuali in R usa il pacchetto ordinale, comunque. Lavoro qui attraverso un esempio: esiste un test di Friedman a due vie?

— gung - Ripristina Monica
fonte