Temel olarak veri organizasyonu konusunda haklısınız. Bu şekilde organize edilmiş vakalarınız varsa:
ID M1 M2 M3 EVENT
Büyük olasılıkla verileri şu şekilde görünecek şekilde yeniden düzenlemek istersiniz:
ID TIME EVENT
1 1 0
1 2 1
1 3 1
2 1 0
2 2 0
. . .
. . .
Buna geniş formattan uzun formata dönüşüm diyorum. reshape()
Fonksiyonu kullanarak R'de kolayca veya reshape2
paketle daha kolay yapılır .
Şahsen, ID
karışık efektler modelindeki bir varyasyon kaynağını belirlemede potansiyel kullanımı için alanı koruyacağım . Ancak bu gerekli değildir (@BerndWeiss tarafından belirtildiği gibi). Aşağıdaki, bunu yapmak isteyeceğinizi varsayar. Değilse glm(...,family=binomial)
, rastgele etki terimleri olmadan benzer bir model takın.
lme4
R paket denekler arasında katsayıları değişkenliği hesaba rastgele etkisi ya da iki hariç, bahsediyoruz birine (benzer bir karışık etkiler lojistik regresyon modeli uyacaktır ID
). Verileriniz adlı bir veri çerçevesinde saklanıyorsa, aşağıdaki örnek bir modelin takılması için örnek kod olacaktır df
.
require(lme4)
ans <- glmer(EVENT ~ TIME + (1+TIME|ID), data=df, family=binomial)
Bu özel model TIME
ve intercept
katsayılarının ID boyunca rastgele değişmesine izin verir . Başka bir deyişle, bu, bireylerde iç içe geçmiş hiyerarşik doğrusal karışık ölçüm modelidir.
Bir alternatif bir formu ayrık zamanlı olay geçmişi modeli sonları TIME
ayrık mankenleri ve uyan bir parametre olarak her birine. Bu, temel olarak Cox PH modelinin ayrık durumudur, çünkü tehlike eğrisi doğrusal olmakla sınırlı değildir (veya kuadratiktir, ancak dönüşme zamanını hayal edebilirsiniz). Bununla birlikte, TIME
çok sayıda varsa yönetilebilir bir dizi ayrık zaman dilimi (yani küçük) olarak gruplandırmak isteyebilirsiniz .
Diğer alternatifler, tehlike eğrisinizi doğru hale getirmek için zamanın dönüştürülmesini içerir. Önceki yöntem temel olarak bunu yapmaktan kurtarır, ancak önceki yöntem bundan daha az cimri (ve ortaya koyduğum orijinal doğrusal durum) çünkü çok fazla zaman noktanız ve dolayısıyla çok fazla rahatsızlık parametreniz olabilir.
Bu konuda mükemmel bir referans Judith Singer ve John Willet'in Uygulamalı Boyuna Veri Analizi: Değişimin Modellenmesi ve Olay Oluşumu .
self-study
etiketi ekleyin .)