全文下載鏈接：http://tecdat.cn/?p=26105?

在本文中，潛類別軌跡建模 (LCTM) 是流行病學中一種相對較新的方法，用于描述生命過程中的暴露，它將異質(zhì)人群簡化為同質(zhì)模式或類別。然而，對于給定的數(shù)據(jù)集，可以根據(jù)類的數(shù)量、模型結構和軌跡屬性得出不同模型的分數(shù)。

本文說明了LCTM的基本用法，用于匯總擬合的潛在類軌跡模型對象的輸出。

例子

_目的_：通過將 BMI 建模為年齡函數(shù)，識別具有不同軌跡的參與者亞組。根據(jù)迄今為止可用的文獻，我們假設初始 K=5 類 BMI 軌跡。

我們使用體重指數(shù) (BMI) 重復測量 10,000 個樣本的長格式數(shù)據(jù)框（查看文末了解數(shù)據(jù)獲取方式）。

提供了一個示例（模擬）數(shù)據(jù)集?bmi?來描述整個步驟。

包含的變量有：

id - 個人 ID
年齡 - BMI 測量的年齡，以年為單位
bmi - 個人在 T1、T2、T3 和 T4 時間的體重指數(shù)，以 kg/m^2 為單位 true_class - 用于識別模擬個人 BMI 數(shù)據(jù)的類別的標簽

加載數(shù)據(jù)

繪制數(shù)據(jù)

潛在類軌跡建模的八步示例

為了對縱向結果 yijk 進行建模，對于 k=1:K，類，對于個體 i，在時間點 j，tj可以使用許多建模選擇。我們在這里給出方程來說明這些，并按照復雜度增加的順序?qū)⑺鼈兠麨槟Ｐ?A 到 G。

模型 A：無隨機效應模型 | 固定效應同方差 | - 解釋個人軌跡與其平均類軌跡的任何偏差僅是由于隨機誤差

其中假設所有類的殘差方差相等，

模型 B：具有特定類別殘差的固定效應模型 | 異方差 | 與模型 A 相同的解釋，隨機誤差在不同的類別中可能更大或更小。

其中假設殘差方差不同

模型 C：隨機截距 解釋是允許個體的初始體重不同，但假設每個班級成員遵循平均軌跡的相同形狀和大小

對于 k=1:K, classes, 對于個體 i, 在時間點 j, tj,

其中隨機效應分布

模型 D：隨機斜率 允許個體在初始權重和平均軌跡的斜率上有所不同

對于 k=1:K，類，對于個體 i，在時間點 j?, tj,

其中假設隨機效應分布為

模型 E：隨機二次 - 跨類的共同方差結構 允許個體在類內(nèi)通過初始權重變化，但是假設每個類具有相同的變異量。對于 k=1：K, 類, 對于個體 i, 在時間點 j, tj,

其中假設隨機效應分布為?

模型 F 和 G：隨機二次 - 允許方差結構跨類變化的比例約束 ，增加模型 E 的靈活性，因為允許方差結構相差一個乘法因子，以允許某些類具有更大或更小的類內(nèi)方差。該模型可以被認為是模型 G 的更簡潔版本（將要估計的方差-協(xié)方差參數(shù)的數(shù)量從 6xK 參數(shù)減少到 6+（K-1）個參數(shù)。

對于 k=1:K, classes, 對于個體 i, 在時間點 j, tj,

其中假設隨機效應分布為?

第一步：選擇隨機效應結構的形式

為了確定隨機效應的初始工作模型結構，可以遵循 Verbeke 和 Molenbergh 的基本原理來檢查沒有隨機效應的模型中每個 K 類的標準化殘差圖的形狀。

如果殘差輪廓可以近似為平坦、直線或曲線，則分別考慮隨機截距、斜率或二次項。

為了擬合沒有隨機效應的潛在類模型。

hlmfixed(bmig)

然后，我們將擬合模型輸入 LCTM中的 step1 函數(shù)，以檢查特定類別的殘差。

第2步

優(yōu)化步驟 1 中的初步工作模型以確定最佳類數(shù)，測試 K=1,...7?？梢愿鶕?jù)最低貝葉斯信息標準 (BIC) 來選擇所選類別的數(shù)量。

set.seed(100) for?(i?in?2:4)?{ ??mi?<-?lchlme(?data.frame(bmg\[1:500,\]) ?? } #>?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?<-kable(lin)

第 3 步

使用步驟 2 中推導出的偏好 K 進一步細化模型，測試最優(yōu)模型結構。我們測試了七個模型，從簡單的固定效應模型（模型 A）到允許殘差在類別之間變化的基本方法（模型 B）到一組具有不同方差結構的五個隨機效應模型（模型 CG）。

• A（SAS、PROC TRAJ）

• B型（R，mmlcr）

調(diào)用 source() 命令。

mmldata?=?bmi_l01 #?????????????)#?model_b$BIC

• C （SAS、PROC TRAJ）

• D 型（SAS、PROC TRAJ）

• E型 (R, lcmm)

moe?<-?hlmfixed?=?bmi?~1+?age?+?I(age^2), ???????????mixture?=?~1?+?age?+?I(age^2) ?????????? #>?Be?patient,?hlme?is?running?...? #>?The?program?took?0.77?secondsme$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

執(zhí)行一些模型充分性評估。首先，對于每個參與者，計算被分配到每個軌跡類的后驗概率，并將個體分配到概率最高的類。在所有類別中，這些最大后驗分配概率 (APPA) 的平均值高于 70% 被認為是可以接受的。使用正確分類、不匹配的幾率進一步評估模型的充分性。

LCTMdel_f

第 5 步

• 圖形表示方法；

• 繪制包含每個類的時間平均軌跡

• 每個類具有 95% 預測區(qū)間的平均軌跡圖，顯示每個類內(nèi)預測的隨機變化

plotpred?<-?predictY plototp

• 個人水平的“面條圖”隨時間變化，取決于樣本量，可能使用參與者的隨機樣本

ggplot(bm,?aes(x?=?age,?y?=?bmi))?+?geom_line

ggplot(bmong)?+?geom_line

點擊標題查閱往期內(nèi)容

R語言用潛類別混合效應模型(Latent Class Mixed Model ,LCMM)分析老年癡呆年齡數(shù)據(jù)

左右滑動查看更多

01

02

03

04

第 6 步

評估模型。

第 7 步

使用四種方法評估臨床特征和合理性；

1.?評估軌跡模式的臨床意義，旨在包括至少 1% 的人群的類別

postprb(?modf?)

2.?評估軌跡類別的臨床合理性

使用生成的圖?來評估預測的趨勢對于正在研究的組是否現(xiàn)實。例如，對于研究 BMI，顯示下降到 <5 kg/m2 的預測趨勢是不現(xiàn)實的。?

3.?潛在類別與傳統(tǒng)分類的特征列表

使用從所選模型中提取類分配；

然后用描述性變量反饋到主數(shù)據(jù)集中。

然后可以根據(jù)需要將這些制成表格。

等等。

4.?使用 kappa 統(tǒng)計的類成員與傳統(tǒng) BMI 類別成員的一致性

#?定義BMI類別，這些類別的數(shù)量需要與類別的數(shù)量相等? confusionMatrix(bmi_class,?bmclass kable(y,?row.names?=?)

第 8 步

酌情進行敏感性分析。

本文摘選《R語言潛類別（分類）軌跡模型LCTM分析體重指數(shù) (BMI)數(shù)據(jù)可視化》，點擊“閱讀原文”獲取全文完整資料。

本文中的bmi數(shù)據(jù)分享到會員群，掃描下面二維碼即可加群！

點擊標題查閱往期內(nèi)容

R語言用潛類別混合效應模型(Latent Class Mixed Model ,LCMM)分析老年癡呆年齡數(shù)據(jù)

R語言貝葉斯廣義線性混合（多層次/水平/嵌套）模型GLMM、邏輯回歸分析教育留級影響因素數(shù)據(jù)

R語言估計多元標記的潛過程混合效應模型（lcmm）分析心理測試的認知過程

R語言因子實驗設計nlme擬合非線性混合模型分析有機農(nóng)業(yè)施氮水平

R語言非線性混合效應 NLME模型(固定效應&隨機效應)對抗哮喘藥物茶堿動力學研究

R語言用線性混合效應（多水平/層次/嵌套）模型分析聲調(diào)高低與禮貌態(tài)度的關系

R語言LME4混合效應模型研究教師的受歡迎程度

R語言nlme、nlmer、lme4用（非）線性混合模型non-linear mixed model分析藻類數(shù)據(jù)實例

R語言混合線性模型、多層次模型、回歸模型分析學生平均成績GPA和可視化

R語言線性混合效應模型（固定效應&隨機效應）和交互可視化3案例

R語言用lme4多層次（混合效應）廣義線性模型（GLM），邏輯回歸分析教育留級調(diào)查數(shù)據(jù)

R語言 線性混合效應模型實戰(zhàn)案例

R語言混合效應邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)

R語言如何用潛類別混合效應模型（LCMM）分析抑郁癥狀

R語言基于copula的貝葉斯分層混合模型的診斷準確性研究

R語言建立和可視化混合效應模型mixed effect model

R語言LME4混合效應模型研究教師的受歡迎程度

R語言 線性混合效應模型實戰(zhàn)案例

R語言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）

R語言基于copula的貝葉斯分層混合模型的診斷準確性研究

R語言如何解決線性混合模型中畸形擬合(Singular fit)的問題

基于R語言的lmer混合線性回歸模型

R語言用WinBUGS 軟件對學術能力測驗建立層次（分層）貝葉斯模型

R語言分層線性模型案例

R語言用WinBUGS 軟件對學術能力測驗（SAT）建立分層模型

使用SAS，Stata，HLM，R，SPSS和Mplus的分層線性模型HLM

R語言用WinBUGS 軟件對學術能力測驗建立層次（分層）貝葉斯模型

SPSS中的多層（等級）線性模型Multilevel linear models研究整容手術數(shù)據(jù)

用SPSS估計HLM多層（層次）線性模型模型