Rastgele efektler model işleme yedekleri

Tekrarlanan ikili sonuçları kullanarak bir olay analizi ile uğraşmaya çalışıyorum. Etkinlik zamanının gün cinsinden ölçüldüğünü, ancak şu an için süreyi haftalara ayırdık. Tekrarlanan ikili sonuçları kullanarak bir Kaplan-Meier tahmincisine yaklaşmak istiyorum (fakat ortak değişkenlere izin vermek). Bu, dolambaçlı bir yol gibi görünecek, ancak bunun sıradan sonuçlara ve tekrarlayan olaylara nasıl yayıldığını araştırıyorum.

3 haftada sansürlenen biri için 000, 4w sansürlenen biri için 0000 ve 511'de başarısız olan bir konu için (1'ler son konunun olduğu noktaya uzanır) gibi görünen bir ikili dizi oluşturursanız 1 haftaya özel oranlar hesapladığınızda, sıradan kümülatif vakalar elde edebilirsiniz (değişken sansür sürelerine ulaşıncaya kadar, bunun Kaplan-Meier kümülatif insidans tahminlerine eşit olduğu ancak buna eşit olmadığı sürece).

Tekrarlanan ikili gözlemleri, yukarıdaki gibi zaman ayırmak yerine zaman içinde bir spline kullanmak yerine GEE kullanarak bir ikili lojistik model ile sığdırabilirim. Küme sandviç kovaryans tahmincisi oldukça iyi çalışır. Ancak karma efektler modeli kullanarak daha kesin çıkarım elde etmek istiyorum. Sorun, ilk 1'den sonraki 1'lerin gereksiz olmasıdır. Rastgele efektler belirtmenin veya fazlalıkları hesaba katan bir modeli belirtmenin bir yolunu bilen biri var mı?

Bu kurulum farklıdır unutmayın Efron en o lojistik modelleri kullanılarak çünkü risk setlerinde koşullu olasılıkları tahmin etmek. Koşulsuz olasılıkları tahmin ediyorum.

GEE veya tekrarlanan ikili gözlemler için karma bir modelle görebildiğim kadarıyla, modelin ilk '1' gözlemlendikten sonra '0' için pozitif bir olasılık atayacağı problemine sahip olacaksınız.

Her durumda, GEE'deki ile aynı yoruma sahip karışık etkiler lojistik regresyonundan tahminler almak istediğiniz göz önüne alındığında ( daha fazla bilgi için buraya bakın ), GLMMadaptive paketindeki mixed_model()işlevi kullanarak modele sığabilirsiniz. kullanın . Bir örnek için buraya bakın .marginal_coefs()

Bunun hakkında birkaç düşünce:

1. Karma bir etki modelinin temelde bir 'koşullu' olasılık modeli olduğu, yani o olay için risk altında olan bir konu için bir olayın olasılığı nedir gibi görünüyor.

2. İlk '1'den sonra bir' 1 'olasılığının bir olduğunu biliyoruz. Dolayısıyla, sonraki '1' değerlerinde ek bilgi yoktur.

3. Görünüşe göre, sonraki '1' değerleri ek bilgi içermediğinden, olasılık işlevi üzerinde hiçbir etkisi olmamalı ve bu nedenle olasılık tabanlı tahmin edicilerin standart hataları veya tahminlerin kendileri üzerinde hiçbir etkisi olmamalıdır. Gerçekten de, p (y = '1' | x) = 1 ise sonraki '1' değerlerinin olması gerektiği gibi model parametre değerlerinden bağımsız olarak etkisi olmaz.

4. Bu davranışı zorlayabiliriz (yani p (y = '1' | x) = 1) ve sonraki ortalamaları işaretleyen modele ortak bir gösterge ekleyerek ve katsayısını zorlayarak istenen ortalama fonksiyonu koruyabiliriz. etkili bir şekilde p (y = '1' | x) = 1 olsun.

5. Bahsettiğiniz gibi, ilk '1'i ve sonraki yanıtları% 100 korelasyona zorlamanın bir yolu da olabilir. Ancak bir binom modelinde, sonraki yanıtlar için p (y = '1' | x) = 1 ile aynıdır.

Ne yapmaya çalıştığınızdan tam olarak emin değilim, ancak toplanmış bir lojistik regresyon modeline ( https://www.ncbi.nlm.nih.gov/pubmed/2281238 ) sığabilir misiniz ? Bu durumda, terminal olayı sırasında yalnızca 1 eklersiniz - olay gerçekleştikten sonra tekrarlanmaz. Modele zamanı esnek bir şekilde dahil edersiniz (örneğin, spline kullanılarak genişletilir).