| R语言、SAS潜类别（分类）轨迹模型LCTM分析体重指数 (BMI)数据可视化 | 您所在的位置：网站首页 › sas glm过程代码 › R语言、SAS潜类别（分类）轨迹模型LCTM分析体重指数 (BMI)数据可视化 |
R语言、SAS潜类别（分类）轨迹模型LCTM分析体重指数 (BMI)数据可视化
|
全文下载链接： http://tecdat.cn/?p=26105 最近我们被客户要求撰写关于LCTM的研究报告，包括一些图形和统计输出。 在本文中，潜类别轨迹建模 (LCTM) 是流行病学中一种相对较新的方法，用于描述生命过程中的暴露，它将异质人群简化为同质模式或类别。然而，对于给定的数据集，可以根据类的数量、模型结构和轨迹属性得出不同模型的分数 本文说明了LCTM的基本用法，用于汇总拟合的潜在类轨迹模型对象的输出。 例子目的：通过将 BMI 建模为年龄函数，识别具有不同轨迹的参与者亚组。根据迄今为止可用的文献，我们假设初始 K=5 类 BMI 轨迹。 我们使用体重指数 (BMI) 重复测量 10,000 个样本的长格式数据框。 提供了一个示例（模拟）数据集 bmi 来描述整个步骤。 包含的变量有： id - 个人 ID年龄 - BMI 测量的年龄，以年为单位bmi - 个人在 T1、T2、T3 和 T4 时间的体重指数，以 kg/m^2 为单位 true_class - 用于识别模拟个人 BMI 数据的类别的标签 加载数据绘制数据  潜在类轨迹建模的八步示例为了对纵向结果 yijk 进行建模，对于 k=1:K，类，对于个体 i，在时间点 j，tj可以使用许多建模选择。我们在这里给出方程来说明这些，并按照复杂度增加的顺序将它们命名为模型 A 到 G。 模型 A：无随机效应模型 | 固定效应同方差 | - 解释个人轨迹与其平均类轨迹的任何偏差仅是由于随机误差  其中假设所有类的残差方差相等，  相关视频 ** 拓端 ，赞17 模型 B：具有特定类别残差的固定效应模型 | 异方差 | 与模型 A 相同的解释，随机误差在不同的类别中可能更大或更小。  其中假设残差方差不同  模型 C：随机截距 解释是允许个体的初始体重不同，但假设每个班级成员遵循平均轨迹的相同形状和大小 对于 k=1:K, classes, 对于个体 i, 在时间点 j, tj,  其中随机效应分布  模型 D：随机斜率 允许个体在初始权重和平均轨迹的斜率上有所不同 对于 k=1:K，类，对于个体 i，在时间点 j , tj,  其中假设随机效应分布为  模型 E：随机二次 - 跨类的共同方差结构 允许个体在类内通过初始权重变化，但是假设每个类具有相同的变异量。对于 k=1：K, 类, 对于个体 i, 在时间点 j, tj,  其中假设随机效应分布为  模型 F 和 G：随机二次 - 允许方差结构跨类变化的比例约束 ，增加模型 E 的灵活性，因为允许方差结构相差一个乘法因子，以允许某些类具有更大或更小的类内方差。该模型可以被认为是模型 G 的更简洁版本（将要估计的方差-协方差参数的数量从 6xK 参数减少到 6+（K-1）个参数。 对于 k=1:K, classes, 对于个体 i, 在时间点 j, tj,  其中假设随机效应分布为  第一步：选择随机效应结构的形式为了确定随机效应的初始工作模型结构，可以遵循 Verbeke 和 Molenbergh 的基本原理来检查没有随机效应的模型中每个 K 类的标准化残差图的形状。 如果残差轮廓可以近似为平坦、直线或曲线，则分别考虑随机截距、斜率或二次项。 为了拟合没有随机效应的潜在类模型。 hlmfixed(bmig) 然后，我们将拟合模型输入 LCTM中的 step1 函数，以检查特定类别的残差。 第2步优化步骤 1 中的初步工作模型以确定最佳类数，测试 K=1,...7。可以根据最低贝叶斯信息标准 (BIC) 来选择所选类别的数量。 set.seed(100) for (i in 2:4) { mi Be patient, hlme is running ... #> The program took 0.29 seconds #> Be patient, hlme is running ... #> The program took 0.69 seconds #> Be patient, hlme is running ... #> The program took 2.3 seconds modelut 第 3 步使用步骤 2 中推导出的偏好 K 进一步细化模型，测试最优模型结构。我们测试了七个模型，从简单的固定效应模型（模型 A）到允许残差在类别之间变化的基本方法（模型 B）到一组具有不同方差结构的五个随机效应模型（模型 CG）。 A（SAS、PROC TRAJ） B型（R，mmlcr）调用 source() 命令。 mmldata = bmi_l01 # ) # model_b$BICC （SAS、PROC TRAJ） D 型（SAS、PROC TRAJ） E型 (R, lcmm)moe Be patient, hlme is running ...
#> The program took 0.77 seconds
me$BIC F型 (R, lcmm)fixed = bmi ~1+ age + I(age^2),
mixture = ~1 + age + I(age^2)
mod$BIC G （SAS、PROC TRAJ） 第四步执行一些模型充分性评估。首先，对于每个参与者，计算被分配到每个轨迹类的后验概率，并将个体分配到概率最高的类。在所有类别中，这些最大后验分配概率 (APPA) 的平均值高于 70% 被认为是可以接受的。使用正确分类、不匹配的几率进一步评估模型的充分性。 LCTMdel_f 第 5 步图形表示方法；绘制包含每个类的时间平均轨迹每个类具有 95% 预测区间的平均轨迹图，显示每个类内预测的随机变化plotpred 个人水平的“面条图”随时间变化，取决于样本量，可能使用参与者的随机样本ggplot(bm, aes(x = age, y = bmi)) + geom_lineggplot(bmong) + geom_line 点击标题查阅往期内容  R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据  左右滑动查看更多 01  02  03  04  第 6 步评估模型。 第 7 步使用四种方法评估临床特征和合理性； 1. 评估轨迹模式的临床意义，旨在包括至少 1% 的人群的类别 postprb( modf ) 2. 评估轨迹类别的临床合理性 使用生成的图 来评估预测的趋势对于正在研究的组是否现实。例如，对于研究 BMI，显示下降到 第 8 步酌情进行敏感性分析。  本文摘选 《 R语言潜类别（分类）轨迹模型LCTM分析体重指数 (BMI)数据可视化 》 ，点击“阅读原文”获取全文完整资料。  点击标题查阅往期内容 R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据R语言贝叶斯广义线性混合（多层次/水平/嵌套）模型GLMM、逻辑回归分析教育留级影响因素数据R语言估计多元标记的潜过程混合效应模型（lcmm）分析心理测试的认知过程R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平R语言非线性混合效应 NLME模型(固定效应&随机效应)对抗哮喘药物茶碱动力学研究R语言用线性混合效应（多水平/层次/嵌套）模型分析声调高低与礼貌态度的关系R语言LME4混合效应模型研究教师的受欢迎程度R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model分析藻类数据实例R语言混合线性模型、多层次模型、回归模型分析学生平均成绩GPA和可视化R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状R语言基于copula的贝叶斯分层混合模型的诊断准确性研究R语言建立和可视化混合效应模型mixed effect modelR语言LME4混合效应模型研究教师的受欢迎程度R语言 线性混合效应模型实战案例R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）R语言基于copula的贝叶斯分层混合模型的诊断准确性研究R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题基于R语言的lmer混合线性回归模型R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型R语言分层线性模型案例R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLMR语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据用SPSS估计HLM多层（层次）线性模型模型 |
【本文地址】