Gibt es eine R-Implementierung für einige statistische Verfahren zur Quantilregression mit gemischten Modellen?

8

Ich würde gerne eine Lösung für die Durchführung eines Mischeffektmodells der Quantilregression finden.

Bei meiner Google-Suche konnte ich keine R-Implementierung für ein solches Verfahren finden (nur Warnungen, dass " dies nichts für schwache Nerven ist ").

Ich möchte eine einfache Situation lösen, in der wir eine x eins y und eine "Subjekt" -Variable haben.

Irgendwelche Vorschläge, was man damit machen soll?

regression mixed-model

— Tal Galili
quelle

Können Sie eine Spezifikation des Modells angeben, das Sie anpassen möchten? In einem Kommentar zu Gavins Antwort erwähnen Sie mehrere Kovariaten. Welche Modellstruktur suchen Sie?

— Iterator

9

Inwieweit man Ihre Frage beantworten kann, hängt davon ab, welche Art von Studie Sie im Sinn haben. Roger Koenker hat einige Arbeiten zur Quantilregression für Längs- oder Paneldaten durchgeführt. Einige Details, ein Papier und ein früher Satz von R-Code sind auf Rogers Website verfügbar .

Beachten Sie die Meldung auf dieser Webseite, dass es jetzt einfacher ist, die qrss()im Artikel beschriebenen Methoden mit dem Quantreg-Paket auszuführen und feste Effekte mithilfe der Lasso-Strafe zu verringern.

— Gavin Simpson
quelle

Hallo Gavin. Ein Studiendesign: Nehmen wir an, ich habe Kindergrößen und deren Eltern - und ich möchte das 95-Quantil der Kindergröße anhand der Elterngröße schätzen. Aber die Kinder, die ich habe, sind auch auf Kinder aus verschiedenen Ländern aufgeteilt, und ich möchte, dass Länder einen zufälligen Effekt haben. Wir möchten zum Beispiel auch Geschlecht und Alter berücksichtigen. Jeder weitere Rat wäre toll. :)

— Tal Galili

13

Kürzlich wurde das lqmm-Paket "Linear Quantile Mixed Models" auf CRAN hochgeladen. Obwohl ich es noch nie benutzt habe, scheint das lqmm-Paket zu tun, was Sie wollen.

Diese Präsentation von der useR! Die Konferenz 2011 zeigt einige Beispiele des Pakets. Hier ist eine Beschreibung des Pakets aus dem useR! Abstracts der Konferenz 2011:

Die bedingte Quantilregression (QR) bezieht sich auf die Schätzung unbekannter Quantile eines Ergebnisses als Funktion einer Menge von Kovariaten und eines Vektors fester Regressionskoeffizienten. In den letzten Jahren hat die Notwendigkeit, die Fähigkeiten von QR für unabhängige Daten zu erweitern, um Clustered-Sampling-Designs (z. B. wiederholte Messungen) zu behandeln, zu mehreren und recht unterschiedlichen Ansätzen geführt. Hier betrachte ich den wahrscheinlichkeitsbasierten Ansatz, der von der engen Beziehung zwischen dem gewichteten L₁-Normproblem, das mit einem bedingten QR-Modell verbunden ist, und der asymmetrischen Laplace-Verteilung abhängt (Geraci und Bottai, 2007).

In dieser Präsentation werde ich die Verwendung des R-Pakets lqmm veranschaulichen, um QR mit gemischten (festen und zufälligen) Effekten für ein zweistufiges verschachteltes Modell durchzuführen. Die Schätzung der festen Regressionskoeffizienten und der Kovarianzmatrix der Zufallseffekte basiert auf einer Kombination von Gaußschen Quadraturnäherungen und Optimierungsalgorithmen. Die ersteren umfassen Gauß-Hermite- und Gauß-Laguerre-Quadraturen für normale bzw. doppelt exponentielle (dh symmetrische Laplace) Zufallseffekte; Letztere umfassen einen modifizierten Kompass-Suchalgorithmus und Allzweck-Optimierer (optimieren und optimieren). Modellierungs- und Inferenzprobleme werden in Geraci und Bottai (2011) detailliert beschrieben (ein vorläufiger Entwurf ist auf Anfrage erhältlich). Das Paket enthält auch Befehle für den Fall unabhängiger Daten.

— Johannes
quelle

Ich habe vor kurzem auch verwendet lqmm, und es macht genau das, was das OP will. +1

— Boscovich

3

Ich habe ein hier verfügbares Paket namens qrLMM in den CRAN hochgeladen

http://cran.r-project.org/web/packages/qrLMM/index.html

Wenn es genau das tut, wonach Sie suchen, und auch in einem Papier, das in Kürze eingereicht wird, beweisen wir, dass wir in allen Szenarien bessere Schätzungen (niedrigere Bies und Standardfehler) erhalten als das Paket lqmm von Geraci (2014). Ich hoffe, dass es für einige zukünftige Forschungen nützlich sein wird.

— Christian Eduardo Galarza
quelle