Wie verwende ich die ordinale logistische Regression mit zufälligen Effekten?

In meiner Studie werde ich die Arbeitsbelastung mit verschiedenen Metriken messen. Mit Herzfrequenzvariabilität (HRV), elektrodermaler Aktivität (EDA) und subjektiver Skala (IWS). Nach der Normalisierung hat das IWS drei Werte:

Arbeitsbelastung niedriger als normal
Arbeitsbelastung ist durchschnittlich
Die Arbeitsbelastung ist höher als normal.

Ich möchte sehen, wie gut die physiologischen Maßnahmen die subjektive Arbeitsbelastung vorhersagen können.

Daher möchte ich Verhältnisdaten verwenden, um Ordnungswerte vorherzusagen. Entsprechend: Wie führe ich eine ordinale logistische Regressionsanalyse in R mit beiden numerischen / kategorialen Werten durch? Dies ist einfach über die MASS:polrFunktion möglich.

Ich möchte jedoch auch zufällige Effekte wie Unterschiede zwischen den Subjekten, Geschlecht, Rauchen usw. berücksichtigen. In diesem Tutorial sehe ich nicht, wie ich zufällige Effekte hinzufügen kann MASS:polr. Alternativ lme4:glmerwäre dann eine Option, aber diese Funktion erlaubt nur die Vorhersage von Binärdaten.

Ist es möglich, zufällige Effekte zu einer ordinalen logistischen Regression hinzuzufügen?

— Robin Kramer
quelle

Sie sind nicht verpflichtet, proportionale Quoten für diese Art von Ergebnissen zu verwenden. Sie können Continuation Ratio-Modelle und andere verwenden. Sie können das bei CRAN erhältliche Ordinalpaket untersuchen.

— Mdewey

@RobinKramer Bitte klären Sie, was Sie unter zufälligen Effekten verstehen. Wenn Statistiker zufällige Effekte angeben, möchten sie in der Regel die Häufung zwischen verschiedenen Beobachtungen berücksichtigen. Angenommen, Sie hatten wiederholte Messungen an denselben Personen, sodass jede Person zu einem bestimmten Zeitpunkt eine Person ist und Sie 4 Beobachtungen pro Person hatten. Sie sollten ein Zufallseffektmodell verwenden. Jede Person hat einen personenbezogenen Zufallseffekt (normalerweise wird angenommen, dass er aus einer Normalverteilung stammt). Wenn Sie Geschlecht, Rauchen usw. sagen, können diese normalerweise als feste Effekte modelliert werden. Also was meinst du?

— Weiwen Ng

@WeiwenNg Die Frage ist ziemlich alt, aber ich wurde verwendet, um LME-Regressionen, bei denen ich Variablen platziert habe, an denen ich kein Interesse hatte (die sich aber auf den DV auswirkten), als zufällige Effekte zu verwenden. Ich habe versucht, dasselbe mit diesem Projekt zu tun.

— Robin Kramer

@RobinKramer Meine schlechte, ich habe das Datum nicht notiert! Trotzdem glaube ich immer noch, dass hier Verwirrung herrscht. Haben Sie wiederholte Maßnahmen an den Personen? Wenn ja, sollten Sie wahrscheinlich einen zufälligen Abschnitt pro Person einfügen. Wenn Sie an der Auswirkung des Geschlechts auf den DV interessiert sind, müssen Sie ihn wahrscheinlich nur als normale Kovariate modellieren. Einige würden sagen, modelliere es als festen Effekt (weil du seinen Effekt auf dem DV als festen behandelst). Geschlecht als zufälligen Effekt zu behandeln, wäre wirklich ontologisch verwirrend.

— Weiwen Ng

Antworten:

Im Prinzip können Sie die Maschinerie einer beliebigen Software für logistische gemischte Modelle dazu bringen, eine ordinale logistische Regression durchzuführen, indem Sie die ordinale Antwortvariable zu einer Reihe binärer Kontraste zwischen aufeinander folgenden Ebenen erweitern (siehe z. B. Dobson und Barnett Einführung in verallgemeinerte lineare Modelle, Abschnitt 8.4.6). Dies ist jedoch ein Schmerz und zum Glück gibt es ein paar Optionen in R:

das Ordnungspaket , über die Funktionen clmmund clmm2( clmm= C umulative L ink M ixed M odel)
das Mixer-Paket , über die mixorFunktion
das MCMCglmm-Paket , über family="ordinal"(siehe ?MCMCglmm)
das brms-Paket , zB via family="cumulative"(siehe ?brmsfamily)

Die beiden letztgenannten Optionen werden in Bayes-MCMC-Frameworks implementiert. Soweit mir bekannt ist, können alle genannten Funktionen (mit Ausnahme von ordinal::clmm2) mehrere zufällige Effekte (Abschnitte, Steigungen usw.) verarbeiten. Die meisten von ihnen (vielleicht auch nicht MCMCglmm?) können Verknüpfungsfunktionen (logit, probit usw.) auswählen.

( Wenn ich Zeit habe, werde ich zurückkommen und diese Antwort mit einem Beispiel überarbeiten, in dem ordinale Modelle von Grund auf neu erstellt werden.lme4 )

— Ben Bolker
quelle

Vielen Dank für Ihre Antwort. Tatsächlich habe ich jemanden gesehen, der eine Reihe von binären Kontrasten verwendet, aber mit einer "allgemeinen Schätzgleichung". Wie hängt das mit den von Ihnen genannten Methoden zusammen? Müssen Sie bei mehreren Vergleichen nicht das Mehrfachvergleichsproblem korrigieren?

— Robin Kramer

Eine andere Möglichkeit, ein Mixed-Effects-Modell mit ordinalem Verhalten in R abzuschätzen, ist die mixorFunktion des Mixer-Pakets . Diese Funktion ermöglicht zufällige Steigungen und Abschnitte und bietet eine gewisse Auswahl gegenüber der Verknüpfungsfunktion (Sie sind nicht auf geordnete logistische Regression beschränkt, sondern können auch die Funktionen probit, log-log und komplementäre log-log-Verknüpfungsfunktionen verwenden).

— user206892

Möchten Sie zurückkehren und ein bearbeitetes Beispiel hinzufügen?

— Setzen Sie Monica

Es ist wahrscheinlich schwieriger, als ich es will ...

— Ben Bolker

Ja, es ist möglich, zufällige Effekte in ein ordinales Regressionsmodell aufzunehmen. Konzeptionell entspricht dies dem Einbeziehen von Zufallseffekten in ein lineares gemischtes Modell. Obwohl die UCLA - Website zeigt nur die polr()Funktion im MASSPaket gibt es eine Reihe von Einrichtungen für die Montage Ordnungsmodelle in R. Es ist eine breitere (aber weniger detailliert) Übersicht hier . Die einzige Möglichkeit, zufällige Effekte in R aufzunehmen, ist das Ordinalpaket. Ich arbeite hier an einem Beispiel: Gibt es einen Zwei-Wege-Friedman-Test?

— gung - Wiedereinsetzung von Monica
quelle