Büyüme grafikleri oluşturmak için en iyi yöntem

Negatif olmayan, sürekli ve sürekli bir sağlık değişkeni için 5 ila 15 yaş arası çocuklar için (büyüme çizelgelerine benzer) grafikler oluşturmak zorundayım (sadece 5,6,7 vb; 2.6 yıl gibi kesirli değerler yoktur) 50-150 aralığı (bu aralığın dışında yalnızca birkaç değerle). 90., 95. ve 99. yüzdelik eğrileri oluşturmam ve bu yüzdelikler için tablolar oluşturmam gerekiyor. Örnek boyutu yaklaşık 8000'dir.

Aşağıdaki yolları kontrol ettim ve buldum:

1. Quantiles bulun ve daha sonra bu quantiles düzgün bir eğri elde etmek için loess yöntemi kullanın. Pürüzsüzlük derecesi 'span' parametresi ile ayarlanabilir.

2. LMS (Lambda-Mu-Sigma) yöntemini kullanın (örneğin, R'de gamlss veya VGAM paketleri kullanma).

3. Kantil regresyon kullanın.

4. Her yaş grubunun ortalamasını ve SD'sini, o yaş için yüzdelik değeri tahmin etmek ve yüzdelik eğriler oluşturmak için kullanın.

Bunu yapmanın en iyi yolu ne? 'En iyi' ile, bu tür büyüme eğrilerinin oluşturulması için standart yöntem olan ve herkes için kabul edilebilir olan ideal yöntemi kastediyorum. Veya bazı sınırlamaları olabilen, ancak kabul edilebilir, daha hızlı bir yöntem olan, uygulanması daha kolay ve basit bir yöntemdir. (Örneğin, yüzdelik değerlerde loess kullanmak, LMS gamlss paketi kullanmaktan çok daha hızlıdır).

Ayrıca bu yöntem için temel R kodu ne olacaktır.

Yardımın için teşekkürler.

Büyüme eğrileri üzerine geniş bir literatür vardır. Zihnimde üç "üst" yaklaşım var. Her üçünde de, zaman, yeterli sayıda düğüm (örneğin, 6) ile sınırlı bir kübik spline olarak modellenmiştir. Bu mükemmel performans ve kolay yorumlama ile parametrik bir pürüzsüzdür.

1. Sürekli zaman AR1 gibi anlamlı bir korelasyon paterni olan uzunlamasına veriler için klasik büyüme eğrisi modelleri (genelleştirilmiş en küçük kareler). Kalıntıların Gauss olduğunu gösterebilirseniz, tahmini araçları ve ortak standart sapmayı kullanarak kantillerin MLE'lerini alabilirsiniz.
2. Kuantil regresyon. Bu sigara geniş için verimli değildir . Hassasiyet optimal olmasa da, yöntem minimal varsayımlar yapar (çünkü bir kantil için tahminler farklı bir kantil tahminlerine bağlı değildir) ve tarafsızdır.$n$
3. Sıradan regresyon. Bu orantılı olasılık modeli gibi yarı parametrik modeller kullanarak sürekli sağlam olarak sıralı olarak ele alır . Sıralı modellerden, ortalamayı ve herhangi bir kantili tahmin edebilirsiniz, ikincisi sadece sürekli ise.$Y$$Y$

Gauss süreç gerilemesi . Kareli üstel çekirdekle başlayın ve parametreleri göze göre ayarlayın. Daha sonra, işleri düzgün bir şekilde yapmak istiyorsanız, farklı çekirdeklerle deneme yapın ve parametreleri optimize etmek için marjinal olasılığı kullanın.

Yukarıda verilen öğreticiden daha fazla ayrıntı istiyorsanız, bu kitap harika .