Bagaimana cara menggunakan regresi logistik ordinal dengan efek acak?

Dalam studi saya, saya akan mengukur beban kerja dengan beberapa metrik. Dengan variabilitas denyut jantung (HRV), aktivitas electrodermal (EDA) dan dengan skala subjektif (IWS). Setelah normalisasi, IWS memiliki tiga nilai:

Beban kerja lebih rendah dari biasanya
Beban kerja rata-rata
Beban kerja lebih tinggi dari biasanya.

Saya ingin melihat seberapa baik langkah-langkah fisiologis dapat memprediksi beban kerja subjektif.

Karena itu saya ingin menggunakan data rasio untuk memprediksi nilai ordinal. Menurut: Bagaimana cara menjalankan analisis Regresi Logistik Ordinal dalam R dengan nilai numerik / kategorikal? ini mudah dilakukan dengan menggunakan MASS:polrfungsi.

Namun, saya juga ingin memperhitungkan efek acak seperti perbedaan antara subjek, jenis kelamin, merokok dll. Melihat tutorial ini , saya tidak melihat bagaimana saya dapat menambahkan efek acak MASS:polr. Atau lme4:glmerakan menjadi pilihan, tetapi fungsi ini hanya memungkinkan prediksi data biner.

Apakah mungkin untuk menambahkan efek acak ke regresi logistik ordinal?

— Robin Kramer
sumber

Anda tidak diwajibkan untuk menggunakan odds proporsional untuk hasil seperti ini, Anda dapat menggunakan model rasio kelanjutan dan lainnya. Anda dapat menyelidiki paket ordinal yang tersedia dari CRAN.

— mdewey

@RobinKramer Harap jelaskan apa yang Anda maksud dengan efek acak. Ketika ahli statistik mengatakan efek acak, mereka biasanya ingin menjelaskan pengelompokan di antara pengamatan yang berbeda. Misalnya, Anda telah mengulangi tindakan pada individu yang sama, sehingga setiap obses adalah satu orang pada waktu tertentu, dan Anda memiliki 4 pengamatan per orang. Anda bisa dibilang cocok dengan model efek acak; setiap orang memiliki efek acak spesifik orang (biasanya diasumsikan dari distribusi normal). Ketika Anda mengatakan jenis kelamin, merokok, dll, itu biasanya dapat dimodelkan sebagai efek tetap. Jadi apa yang kamu maksud?

— Weiwen Ng

@ WeiwenNg pertanyaannya agak lama, tapi saya terbiasa menggunakan regresi LME di mana saya menempatkan variabel, di mana saya tidak tertarik (tetapi memiliki efek pada DV), sebagai efek acak. Saya berusaha melakukan hal yang sama dengan proyek ini.

— Robin Kramer

@RobinKramer Saya salah, saya gagal mencatat tanggalnya! Yang mengatakan, saya masih berpikir ada beberapa kebingungan di sini. Apakah Anda telah mengulangi tindakan terhadap individu? Jika demikian, maka Anda mungkin harus memasukkan intersepsi acak oleh orang. Jika Anda tertarik pada efek gender pada DV, maka Anda mungkin hanya perlu memodelkannya sebagai kovariat biasa. Beberapa orang akan mengatakan memodelkannya sebagai efek tetap (karena Anda memperlakukan efeknya pada DV sebagai perbaikan). Memperlakukan gender sebagai efek acak akan sangat membingungkan secara ontologis.

— Weiwen Ng

Jawaban:

Pada prinsipnya Anda dapat membuat mesin dari setiap perangkat lunak model campuran logistik melakukan regresi logistik ordinal dengan memperluas variabel respon ordinal menjadi serangkaian kontras biner antara tingkat berturut-turut (misalnya lihat Dobson dan Barnett Pengantar Model Generalized Linear Model bagian 8.4.6). Namun, ini menyakitkan, dan untungnya ada beberapa opsi dalam R:

yang paket ordinal , melalui clmmdan clmm2fungsi ( clmm= C umulative L tinta M ixed M odel)
yang paket mixor , melalui mixorfungsi
yang paket MCMCglmm , melalui family="ordinal"(lihat ?MCMCglmm)
yang paket brms , misalnya melalui family="cumulative"(lihat ?brmsfamily)

Dua opsi terakhir diimplementasikan dalam kerangka kerja MCMC Bayesian. Sejauh yang saya tahu, semua fungsi yang dikutip (dengan pengecualian ordinal::clmm2) dapat menangani beberapa efek acak (penyadapan, lereng, dll.); kebanyakan dari mereka (mungkin tidak MCMCglmm?) dapat menangani pilihan fungsi tautan (logit, probit, dll.).

( Jika saya punya waktu, saya akan kembali dan merevisi jawaban ini dengan contoh yang berhasil mengatur model ordinal dari awal menggunakanlme4 )

— Ben Bolker
sumber

Terima kasih atas jawaban Anda. Sebenarnya, saya pernah melihat seseorang menggunakan serangkaian kontras biner, tetapi dengan "persamaan estimasi umum". Bagaimana hubungannya dengan metode yang Anda sebutkan? Terlebih lagi, ketika membuat beberapa perbandingan, tidakkah Anda perlu mengoreksi masalah perbandingan berganda?

— Robin Kramer

Cara lain untuk memperkirakan model efek campuran dengan respons ordinal dalam R adalah melalui mixorfungsi paket mixor . Fungsi ini memungkinkan untuk kemiringan dan penyadapan acak dan memberikan beberapa pilihan atas fungsi tautan (Anda tidak terbatas pada regresi logistik yang dipesan tetapi juga dapat menggunakan fungsi probit, log-log, dan fungsi tautan log-log komplementer).

— user206892

Ingin kembali dan menambahkan contoh yang berfungsi?

— Pasang kembali Monica

mungkin lebih sulit daripada yang saya inginkan ...

— Ben Bolker

Ya, dimungkinkan untuk memasukkan efek acak dalam model regresi ordinal. Secara konseptual, ini sama dengan memasukkan efek acak dalam model campuran linier. Meskipun situs UCLA hanya menunjukkan polr()fungsi dalam MASSpaket, ada sejumlah fasilitas untuk pemasangan model ordinal di R. Ada tinjauan yang lebih luas (tapi kurang rinci) di sini . Satu-satunya cara saya tahu untuk memasukkan efek acak dalam R menggunakan paket ordinal. Saya bekerja melalui contoh di sini: Apakah ada tes dua arah Friedman?

— gung - Pasang kembali Monica
sumber