全文下載鏈接：http://tecdat.cn/?p=22206

最近我們被客戶(hù)要求撰寫(xiě)關(guān)于潛類(lèi)別混合效應(yīng)模型（LCMM）的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

每一個(gè)動(dòng)態(tài)現(xiàn)象都可以用一個(gè)潛過(guò)程(Λ(t)來(lái)描述，這個(gè)潛過(guò)程在連續(xù)的時(shí)間t內(nèi)演化。

模型背景

當(dāng)對(duì)重復(fù)測(cè)量的標(biāo)志變量進(jìn)行建模時(shí)，我們通常不會(huì)把它看成是一個(gè)有誤差測(cè)量的潛過(guò)程。然而，這正是混合模型理論所做的基本假設(shè)。潛過(guò)程混合模型利用這個(gè)框架將線性混合模型理論擴(kuò)展到任何類(lèi)型的結(jié)果（有序、二元、連續(xù)、類(lèi)別與任何分布）。

潛類(lèi)別混合模型

潛類(lèi)別混合模型在Proust-Lima等人中介紹（2006 ?https://doi.org/10.1111/j.1541-0420.2006.00573.x?和2013?https://doi.org/10.1111/bmsp.12000??）。

使用線性混合模型根據(jù)時(shí)間對(duì)定義為潛過(guò)程感興趣的變量進(jìn)行建模：

其中：

• X（t） 和Z（t） 是協(xié)變量的向量（Z（t） ；

• β 是固定效應(yīng)（即總體均值效應(yīng)）；

• ui 是隨機(jī)效應(yīng)（即個(gè)體效應(yīng)）；它們根據(jù)具有協(xié)方差矩陣B 的零均值多元正態(tài)分布進(jìn)行分布；

• （wi（t）） 是高斯過(guò)程，可以添加到模型中以來(lái)放寬對(duì)象內(nèi)部相關(guān)結(jié)構(gòu)。

同時(shí)在觀察方程中定義了感興趣的潛過(guò)程標(biāo)志變量Yij （針對(duì)對(duì)象i和場(chǎng)合j）的觀察之間的關(guān)系：

其中

• tij 是主題i 和場(chǎng)合j 的測(cè)量時(shí)間；

• ?ij 是一個(gè)獨(dú)立的零均值高斯誤差；

• H 是鏈接函數(shù)，可將潛過(guò)程轉(zhuǎn)換為比例和度量。

使用了不同的參數(shù)族。?當(dāng)標(biāo)志變量為連續(xù)時(shí)，H-1 是遞增單調(diào)函數(shù)的參數(shù)族，其中：

• 線性變換：這簡(jiǎn)化為線性混合模型（2個(gè)參數(shù)）

• Beta累積分布族重新調(diào)整（4個(gè)參數(shù)）

當(dāng)標(biāo)志變量是離散類(lèi)別（二元或有序的）時(shí)：? H是閾值函數(shù)，即Y的每個(gè)級(jí)別對(duì)應(yīng)于要估計(jì)Λ（tij）+ ?ij區(qū)間的邊界。

可識(shí)別性

與任何潛變量模型一樣，必須定義潛變量的度量。在lcmm中，誤差的方差為1，平均截距（在β中）為0。

示例

在本文中，lcmm?通過(guò)研究年齡65歲左右男性的抑郁癥狀（由CES-D量表測(cè)量）的線性軌跡來(lái)說(shuō)明潛過(guò)程混合模型?。包括截距和age65的相關(guān)隨機(jī)效應(yīng)。

考慮的模型：

，

固定效應(yīng)部分?是

估計(jì)不同連續(xù)鏈接函數(shù)的模型H

我們使用65歲左右的年齡變量進(jìn)行中心化，并以十年為單位。
潛過(guò)程混合模型可以用不同的鏈接函數(shù)進(jìn)行擬合，如下所示。這是用參數(shù)鏈接來(lái)完成的。

線性鏈接函數(shù)

定義線性鏈接函數(shù)時(shí)，模型將簡(jiǎn)化為標(biāo)準(zhǔn)線性混合模型。默認(rèn)情況下具有線性鏈接函數(shù)：

lcmm(CESD?~?age65*male,?random=~?age65?#鏈接=線性

它與hlme安裝的模型完全相同。與hlme對(duì)象的唯一區(qū)別是截距和殘差標(biāo)準(zhǔn)誤差的參數(shù)化。

hlme(CESD?~?age65*male,?random=~?age65?#鏈接=線性

對(duì)數(shù)似然相同，但估計(jì)參數(shù)β不在同一范圍內(nèi)

loglik[1]?-7056.652

非線性鏈接函數(shù)1：Beta累積分布函數(shù)Beta分布的重標(biāo)累積分布函數(shù)(CDF)提供了標(biāo)志變量與其基本潛伏過(guò)程之間的凹、凸或sigmo?d變換。

lcmm(?random=~?age65,?link='beta')

非線性鏈接函數(shù)2：二次I樣條二次I樣條族近似于連續(xù)增加的鏈接函數(shù)。它涉及在標(biāo)志變量范圍內(nèi)分布的節(jié)點(diǎn)。默認(rèn)情況下，使用位于標(biāo)志變量范圍內(nèi)的5個(gè)等距結(jié)：

lcmm(random=~?age65,?subject='ID',?link='splines')

可以指定結(jié)的數(shù)量及其位置。首先輸入節(jié)點(diǎn)的數(shù)目，接著?，再指定位置?equi，?quant?或?manual?用于分別等距節(jié)點(diǎn)，在標(biāo)志變量分布分位數(shù)或內(nèi)部結(jié)在參數(shù)intnodes手動(dòng)輸入。例如，?7-equi-splines?意味著具有7個(gè)等距節(jié)點(diǎn)，6-quant-splines?I樣條，?意味著具有6個(gè)節(jié)點(diǎn)的I樣條，其位于標(biāo)志變量分布的分位數(shù)處。

例如，在分位數(shù)處有5個(gè)結(jié)：

lcmm(link='5-quant-splines')

選擇最佳模型

要選擇最合適的鏈接函數(shù)，可以比較這些不同的模型。通常，這可以通過(guò)使用AIC?或?UACV等順著根據(jù)擬合優(yōu)度對(duì)模型進(jìn)行比較來(lái)實(shí)現(xiàn)?。

AIC（每個(gè)模型的輸出中都有UACV）：

在這種情況下，根據(jù)AIC標(biāo)準(zhǔn)，由I-splines和5個(gè)分位數(shù)結(jié)點(diǎn)鏈接函數(shù)的模型提供了最佳擬合度?？梢栽趫D中比較不同的估計(jì)鏈接函數(shù)：

plot(mli,?which="linkfunction",xlab="潛過(guò)程")legend(x="topleft",?legend=c("線性",?"beta","樣條曲線?(5個(gè)等距結(jié)點(diǎn))","樣條曲線(5個(gè)分位數(shù)結(jié)點(diǎn))"))

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言線性混合效應(yīng)模型（固定效應(yīng)&隨機(jī)效應(yīng)）和交互可視化3案例

左右滑動(dòng)查看更多

01

02

03

04

我們看到2個(gè)樣條曲線轉(zhuǎn)換非常接近。線性模型似乎不合適，如線性曲線和樣條曲線之間的差值所示。Beta轉(zhuǎn)換僅在潛過(guò)程的高值時(shí)才與樣條曲線不同。變換的置信帶可以通過(guò)蒙特卡洛方法獲得：

predict(mspl5q,ndraws=2000)legend(legend=c("95%?置信帶","分位數(shù)樣條"),lty=c(2,NA))

用離散鏈接函數(shù)H估計(jì)模型

有時(shí)，對(duì)于僅具有有限數(shù)量級(jí)別的標(biāo)志變量，連續(xù)鏈接函數(shù)不合適，并且必須處理標(biāo)志變量的有序性質(zhì)。lcmm函數(shù)通過(guò)考慮閾值鏈接函數(shù)來(lái)處理這種情況。然而，我們必須知道，帶有閾值鏈接函數(shù)的模型的數(shù)值復(fù)雜性要重要得多（由于對(duì)隨機(jī)效應(yīng)分布進(jìn)行了數(shù)值積分）。在擬合這個(gè)模型時(shí)，必須牢記這一點(diǎn)，隨機(jī)效應(yīng)的數(shù)量要嚴(yán)謹(jǐn)?shù)剡x擇。

注意，該模型成為累積概率混合模型。這里是一個(gè)使用HIER變量(4級(jí))的例子，因?yàn)榭紤]到0-52的范圍(例如52個(gè)閾值參數(shù))，CESD的閾值鏈接函數(shù)會(huì)涉及太多參數(shù)。

?lcmm(HIER?~?age65*male,?link='thresholds')

擬合后的輸出

概要

該模型的摘要包括收斂性，擬合標(biāo)準(zhǔn)的優(yōu)度和估計(jì)的參數(shù)。

根據(jù)協(xié)變量的分布預(yù)測(cè)的軌跡圖，可以根據(jù)因變量的比例并根據(jù)協(xié)變量的分布來(lái)計(jì)算預(yù)測(cè)的軌跡：

predict(msp,?newdata=datnew,?var.time="age"

然后繪制：

plot(women,xlab="年齡")plot(men,?add=TRUE)legend(legend=c("女性","男性",?"95%?置信區(qū)間",?"95%?置信區(qū)間"))

擬合優(yōu)度1：殘差圖

特定的殘差（右下方面板中的qqplot）應(yīng)為高斯分布。

擬合優(yōu)度2：預(yù)測(cè)與觀察圖

可以根據(jù)年齡繪制平均預(yù)測(cè)和觀察值。請(qǐng)注意，預(yù)測(cè)和觀察是在潛過(guò)程的范圍內(nèi)（觀察是通過(guò)估計(jì)的鏈接函數(shù)進(jìn)行轉(zhuǎn)換的）：

plot(?var.time="age65",?xlab="(年齡-65)/10",?break.times=8,?ylab="潛過(guò)程")

點(diǎn)擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言線性混合效應(yīng)模型（固定效應(yīng)&隨機(jī)效應(yīng)）和交互可視化3案例
非線性混合效應(yīng) NLME模型對(duì)抗哮喘藥物茶堿動(dòng)力學(xué)研究
生態(tài)學(xué)模擬對(duì)廣義線性混合模型GLMM進(jìn)行功率（功效、效能、效力）分析power analysis環(huán)境監(jiān)測(cè)數(shù)據(jù)
有限混合模型聚類(lèi)FMM、廣義線性回歸模型GLM混合應(yīng)用分析威士忌市場(chǎng)和研究專(zhuān)利申請(qǐng)數(shù)據(jù)
如何用潛類(lèi)別混合效應(yīng)模型(Latent Class Mixed Model ,LCMM)分析老年癡呆年齡數(shù)據(jù)
R語(yǔ)言用lme4多層次（混合效應(yīng)）廣義線性模型（GLM），邏輯回歸分析教育留級(jí)調(diào)查數(shù)據(jù)R語(yǔ)言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語(yǔ)言混合效應(yīng)邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)
R語(yǔ)言如何用潛類(lèi)別混合效應(yīng)模型（LCMM）分析抑郁癥狀
R語(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言建立和可視化混合效應(yīng)模型mixed effect model
R語(yǔ)言LME4混合效應(yīng)模型研究教師的受歡迎程度
R語(yǔ)言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語(yǔ)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(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言如何解決線性混合模型中畸形擬合(Singular fit)的問(wèn)題
基于R語(yǔ)言的lmer混合線性回歸模型
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
R語(yǔ)言分層線性模型案例
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)（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(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
SPSS中的多層（等級(jí)）線性模型Multilevel linear models研究整容手術(shù)數(shù)據(jù)
用SPSS估計(jì)HLM多層（層次）線性模型模型