Wie kann man wiederholte Maßnahmen in glmer berücksichtigen?

Mein Design ist wie folgt.

$y$ ist Bernoulli Antwort
$x_1$ ist eine stetige Variable
$x_2$ ist eine kategoriale (Faktor-) Variable mit zwei Ebenen

Das Experiment ist vollständig in Probanden. Das heißt, jedes Subjekt erhält jede Kombination von und . $x_1$ $x_2$

Dies ist eine logistische Regression mit wiederholten Messungen. Das Experiment ergibt zwei Ogiven für gegen , eines für Level1 und eines für Level2 von . Der Effekt von sollte sein, dass für Level2 im Vergleich zu Level1 der Ogive eine flachere Steigung und einen erhöhten Achsenabschnitt haben sollte. $p(y=1)$ $x_1$ $x_2$ $x_2$

Ich habe Probleme damit, das Modell mit zu finden lme4. Zum Beispiel,

glmer(y ~ x1*x2 + (1|subject), family=binomial)

Soweit ich es verstehe, 1|subjectsagt der Teil, dass dies subjectein zufälliger Effekt ist. Ich sehe jedoch nicht, wie angegeben werden soll, dass und Variablen für wiederholte sind. Am Ende möchte ich ein Modell, das einen zufälligen Effekt für Subjekte enthält und geschätzte Steigungen und Abschnitte für Level1 und Level2 angibt. $x_1$ $x_2$

r repeated-measures glmm lme4-nlme

— Bill Simpson
quelle

In diesen Folien von D.Bates gibt es ein Beispiel für wiederholte Messungen .

— Martin

Welche Seite der 165 Seiten? Übrigens hat er auch Buchkapitel zur Verfügung.

— Bill Simpson

|subjectsubject

x_{1}

$x_1$

x_{2}

$x_2$ 1|subjectx1|subject

tl; dr: Ihr Modell berücksichtigt bereits die Tatsache, dass Sie wiederholte Messungen durchgeführt haben. Wenn es passt, sollten Sie Folgendes verwenden:

glmer(y ~ x1*x2 + (x1:x2|subject), family=binomial)

aber wenn das nicht nachvollziehbar ist, könnten Sie versuchen:

glmer(y ~ x1*x2 + (1|subject) + (0+x1|subject) + (0+x2|subject), family=binomial)

_{Eine Erklärung der Syntax finden Sie hier: Rs lmer Spickzettel .}

$x_1$ $x_2$

Anstatt R mitzuteilen, dass eine Variable innerhalb von Personen gemessen wird, müssen Sie auf jeden Fall einfach ein Modell mit Zufalls- und / oder Effekten formulieren, um die Nichtunabhängigkeit der Daten zu berücksichtigen, die von derselben Person stammen. (Ja, Sie können einen festen Effekt verwenden, um dies zu berücksichtigen: Jede Person wäre eine Ebene einer kategorialen Variablen, die enthalten ist. Dies beantwortet jedoch eine etwas andere Frage - mit ziemlicher Sicherheit nicht die, an der Sie interessiert sind - und es sei denn Wenn Sie in jeder Kombination von Bedingungen viele Messungen an derselben Person durchführen, ist das Modell nicht nachvollziehbar.) In der Praxis verwenden Sie zufällige Effekte, um dies zu berücksichtigen. Insbesondere haben Sie einen zufälligen Effekt für jedes Thema.

(1|subject) $x_1=0$ $x_1$ ). Beachten Sie jedoch, dass GLMMs rechnerisch schwieriger sind als LMMs, sodass ein solches Modell möglicherweise nicht nachvollziehbar ist.

— gung - Monica wieder einsetzen
quelle