Strukturgleichungsmodellierung mit wiederholten Messungen

10

Ich muss einen Datensatz mit Daten zur klinischen Rehabilitation analysieren. Ich interessiere mich für hypothesengetriebene Beziehungen zwischen quantifiziertem "Input" (Therapiemenge) und Veränderungen des Gesundheitszustands. Obwohl der Datensatz relativ klein ist (n ~ 70), haben wir wiederholte Daten, die zeitliche Änderungen in beiden widerspiegeln. Ich bin mit der nichtlinearen Modellierung gemischter Effekte in R vertraut, interessiere mich jedoch für mögliche "kausale" Beziehungen zwischen Input und Output und erwäge daher Anwendungen von SEM mit wiederholten Messungen

Ich würde mich über Ratschläge freuen, wenn eines der SEM-Pakete für R (sam, lavaan, openmx?) Am besten für Daten mit wiederholten Messungen und insbesondere für Empfehlungen für Lehrbücher geeignet ist (gibt es ein "Pinheiro and Bates" auf diesem Gebiet?) .

r repeated-measures panel-data sem

— RobF
quelle

2

Warum brauchst du überhaupt SEM? Wenn Sie den Hype gehört haben, dass SEM alle kausalen Probleme löst, ist dies ein Übertyp, den nur ideale randomisierte Experimente haben. Siehe die Referenz, die ich in meiner Antwort unten gegeben habe.

— StasK

1

Wenn Sie n ~ 70 sagen, meinen Sie 70 Patienten, die über die Zeit gemessen wurden, oder 70 Messungen (sagen wir 7 Patienten zu 10 verschiedenen Zeiten)? Ich lerne gerade SEM, aber eine Sache, die mir bisher aufgefallen ist, ist, dass es große Datenmengen voraussetzt (sie sprechen von 200+ oder mehr), so dass Sie sich möglicherweise selbst frustrieren / täuschen können.

— Wayne

5

Ich denke, Sie wollen ein Modell für latente Wachstumskurven. Obwohl ich nur dafür verwendet LISRELhabe, zeigt das lavaan package documentationan, dass es für diesen Modelltyp verwendet werden kann.

Ich kenne keine Bücher, die sich auf dieses Thema spezialisiert haben. Das Buch, aus dem ich für SEM arbeite, behandelt eine Reihe von Methoden. Vielleicht kann jemand anderes diesen Aspekt Ihrer Frage beantworten.

— Michelle
quelle

2

(+1) In der Tat gehören Wachstumskurven- und Mischungs-LV-Modelle zu den „heißen“ Themen in der SEM oder Psychometrie. Sie werden in einigen neueren Büchern behandelt, beispielsweise in Latent Variable Mixture Models (Hancock & Samuelsen, 2008). Ich habe andere Artikel auf meiner TOBEREADFORTOOLONG-Liste, und ich würde empfehlen, die Arbeit von Múthen und Kollegen in Verbindung mit dem, was die Mplus-Software für diesen speziellen Zweck bietet, zu betrachten . Wenn ich etwas Zeit finde, die Literatur erneut zu lesen und lavaan/ Mx mit Mplus zu vergleichen, werde ich selbst eine Antwort posten.

— Chl

Das wäre gut, denn ich habe gerade erst Modelle für latente Wachstumskurven gelernt, und sie sind im Vergleich zu anderen SEM-Typen wirklich ein ziemlich einzigartiges Modell.

— Michelle

4

Nein, es gibt kein "Pinheiro and Bates". Sie können eine Reihe von Büchern mit dem Titel "SEM using AMOS / LISREL / Mplus" finden, aber mir ist keine Verwendung von R bekannt. Das mathematisch beste Buch über SEM ist immer noch Bollen (1989) . Es wurde eher von einem Soziologen als von einem Biostatistiker geschrieben (obwohl sehr gut!) Und richtet sich daher an Sozialwissenschaftler. Es enthält nur wenige Verweise auf Software (und Sie möchten die Software sowieso nicht von vor einem Vierteljahrhundert). . Bollen hat kürzlich gemeinsam mit Judea Pearl ein gutes Papier über Kausalität verfasst, siehe http://ftp.cs.ucla.edu/pub/stat_ser/r393.pdf . Soweit ich das beurteilen kann, sollte Mulaik (2009) auch gut sein, aber es wurde von einem Psychologen für Psychologen geschrieben.

Ich denke nicht, dass das Sem-Paket flexibel genug ist, um solche Dinge auszuführen. OpenMx kann mit Ordnungsdaten (und damit binären Ergebnissen) umgehen, aber ich glaube nicht, dass Lavaan dies kann.

Die Software, mit der Sie konzeptionell am einfachsten umgehen können, ist möglicherweise GLLAMM , ein Paket, das für Stata geschrieben wurde . So gesehen ist dies im Wesentlichen eine Stata-Inkarnation von nlme. Mit einer zusätzlichen Optimierung (die es ermöglicht, dass die Koeffizienten der Zufallseffekte je nach den Werten anderer Variablen variieren) wird es zu einem Modellierungspaket für latente Variablen. Dies alles ist in Skrondal und Rabe-Hesketh (2004) beschrieben ... ein großartiges Buch an sich, das Sie selbst dann haben möchten, wenn Sie es einfach tun nlme.

— StasK
quelle

(+1) Schöne Referenzen. (Ungefähr gllamm

— anders

@chl, schreibe deine eigene Wahrscheinlichkeit;). Das habe ich polychoriczum Beispiel gemacht, als ich es brauchte.

— StasK

2

Da Sie mit verallgemeinerten linearen gemischten Modellen vertraut zu sein scheinen und nicht zu implizieren scheinen, dass Sie an latenten Variablen interessiert sind, möchten Sie möglicherweise einen stückweisen Ansatz wählen, mit lmerdem Sie dann mithilfe eines D-Sep-Tests bewerten können. Siehe Shipley, B. (2009). Bestätigungspfadanalyse in einem verallgemeinerten mehrstufigen Kontext. Ecology, Ecology, 90, 363–368. http://dx.doi.org/10.1890/08-1034.1 für ein Beispiel. Er gibt im Anhang auch den R-Code zur Berechnung des D-Separationstests an.

Wenn Sie wirklich mit maximaler Wahrscheinlichkeit in die Modellierung latenter Variablen und SEM einsteigen möchten, lesen Sie http://lavaan.org - dort gibt es ein großartiges Tutorial, das seine Funktionen behandelt, sowie einen Abschnitt über Modelle latenter Wachstumskurven, die möglicherweise genau das sind du bist hinterher.

— Jebyrnes
quelle