Sıfır kesik negatif binom GEE için R / Stata paketi?

bu benim ilk yazım. Bu topluluk için gerçekten minnettarım.

Sıfır kesilmiş (yanıt değişkeni = 0 olması olasılığı) uzunlamasına sayım verilerini ve ortalama! = Varyansı analiz etmeye çalışıyorum, bu nedenle bir poisson üzerinde negatif bir binom dağılımı seçildi.

Dışarıda bıraktığım işlevler / komutlar:

R,

• R'deki gee () işlevi sıfır kesmeyi veya negatif binom dağılımını (MASS paketi yüklü olsa bile) açıklamaz
• R'deki glm.nb () farklı korelasyon yapılarına izin vermez
• VGAM paketinden vglm () posnegbinomial ailesini kullanabilir, ancak bağımsız olmayan bir korelasyon yapısı kullanarak modelleri yeniden yerleştiremediğim için Stata'nın ztnb komutu (aşağıya bakınız) ile aynı soruna sahiptir.

Stata

• Veriler boylamsal değilse, analizimi çalıştırmak için sadece Stata paketleri ztnb'yi kullanabilirim, ancak bu komut gözlemlerimin bağımsız olduğunu varsayar.

Ayrıca çeşitli metodolojik / felsefi nedenlerle GLMM'yi de dışladım.

Şimdilik, Stata'nın xtgee komutuna karar verdim (evet, xtnbreg'in de aynı şeyi yaptığını biliyorum), hem bağımsız olmayan korelasyon yapılarını hem de negatif binom ailesini hesaba katar, ancak sıfır kesmeyi değil. Xtgee kullanmanın ek yararı, yanıt değişkenlerim için en uygun korelasyon yapılarını belirlemek için qic değerlerini de (qic komutunu kullanarak) hesaplayabilmemdir.

R veya Stata'da 1) nbinomiyal aile, 2) GEE ve 3) sıfır kesmeyi dikkate alabilecek bir paket / komut varsa, bilmek için ölmek isterim.

Sahip olabileceğiniz herhangi bir fikri çok takdir ediyorum. Teşekkür ederim.

-Casey

R için iki seçenek akla geliyor, her ikisi de en iyi ihtimalle sadece belirsiz bir şekilde aşina olduğum.

Birincisi, psclsıfır kesilmiş şişirilmiş ve engelli modellere çok güzel, esnek bir şekilde sığabilen paket . psclPaket kullanımını önermektedir sandwich"enine kesit, zaman serisi ve boylamasına veriler için Model sağlam standart hata tahmin edicileri" içerir paket. Böylece sayım modelinize sığabilir ve daha sonra sandwichverilerin uzunlamasına doğasını göz önünde bulundurarak kalanlar için uygun bir kovaryans matrisi tahmin etmek için paketi kullanabilirsiniz .

İkinci seçenek, geepackistediğinizi yapabileceği gibi görünen pakete bakmak olabilir, ancak R'nin glm()işlevinin yapabileceği herhangi bir GLM türüne uyacağı için sadece bilinen teta ile negatif bir binom modeli için (bu nedenle MASS'ın aile işlevini kullanın) .

Üçüncü bir seçenek de kafasını yükseltti: gamlssve eklenti paketi gamlss.tr. İkincisi, gen.trun()desteklenen dağıtımlardan herhangi birini gamlss()esnek bir şekilde kesilmiş bir dağılıma dönüştürebilen bir işlev içerir - örneğin 0 negatif binom dağılımında kesilmiş sola belirtebilirsiniz. gamlss()kendisi verilerin uzunlamasına doğasına dikkat etmesi gereken rastgele etkiler için destek içerir. Bununla birlikte, modelde bir eş değişkenin en az bir pürüzsüz işlevini kullanmak zorundaysanız veya her şeyi bir GLM'deki gibi doğrusal işlevler olarak modelleyebiliyorsanız hemen net değildir.

Hmm, güzel ilk soru! Kesin gereksinimlerinizi karşılayan bir paket bilmiyorum. Huber-White standart hatalarını verme seçeneğini de belirlerseniz veya bu pratikse , Stata'nın xtgee'sinin iyi bir seçim olduğunu düşünüyorum . Bu seçeneklerden herhangi biri, sıfır kesmeyi göz ardı ederek sahip olacağınız model yanlış tanımlamasına rağmen standart hataların tutarlı bir şekilde tahmin edilmesini sağlayacaktır.vce(robust)vce(bootstrap)

Bu, sıfır kesmeyi göz ardı etmenin sizi ilgilendiren nokta tahminleri üzerinde ne gibi bir etkisi olacağı sorusunu bırakır. Genel olarak bu konuda ilgili literatür olup olmadığını, yani mutlaka bir GEE bağlamında olmadığını görmek için hızlı bir arama yapmaya değer - bu tür sonuçların GEE vakasında da alakalı olacağını oldukça güvenli bir şekilde kabul edebileceğinizi düşünürdüm. Hiçbir şey bulamazsanız, verileri her zaman sıfır kesme ve bilinen etki tahminleriyle simüle edebilir ve eğilimi simülasyonla değerlendirebilirsiniz.

Tezimde de aynı sorun vardı. Stata'da kendimi iki xtgee çağrısı ile özel bir .ado programı oluşturdum.

Bunun için Partha Deb, Willard Manning ve Edward Norton'un "Sağlık Bakım Maliyetlerini ve Sayımlarını Modelleme" slaytlarını / programlarını faydalı buldum. Boyuna verilerden bahsetmezler, ancak yararlı bir başlangıç ​​noktasıdır.

GlmmADMB yorumuyla ilgili cevaplar arıyordum ve yazınızı gördüm. Çok uzun zaman önceydi ama biliyorum.

Engelli modelleri kullanırken glmmADMB paketine bakın. Verilerinizin analizlerini ikiye bölmelisiniz: bunlardan biri sıfır verisi yok. Karışık efektler ekleyebilir ve dağıtımı seçebilirsiniz. Durum, verilerin sıfır şişirilmiş olması gerektiğidir ve bunun gereksinimlerinizi karşılayıp karşılamadığını bilmiyorum! Her neyse, umarım uzun zaman önce öğrenmişsindir!