GEE: uygun çalışma korelasyon yapısının seçilmesi

Ben bir kohort çalışmasını doğru bir şekilde analiz etmek için GEE'leri anlamaya çalışan bir epidemiyologum (Göreceli Riski tahmin etmek için bir günlük bağlantısı ile Poisson regresyonunu kullanarak). Ben daha açıklamak için daha bilgili birinin istiyorum "çalışma korelasyonu" hakkında birkaç sorum var:

(1) Aynı kişide tekrarlanan ölçümlerim varsa, değiştirilebilir bir yapı varsaymak genellikle en makul midir? (Veya ölçümler bir eğilim gösteriyorsa otoregresif)? Bağımsızlık hakkında - aynı kişide ölçümler için bağımsızlık kazanılabilecek durumlar var mı?

(2) Verileri inceleyerek uygun yapıyı değerlendirmenin (makul olarak basit) bir yolu var mı?

(3) Bir bağımsızlık yapısı seçerken, basit bir Poisson regresyonunu (R, fonksiyon glm()ve geeglm()paket kullanarak) çalıştırırken aynı nokta tahminlerini (ancak daha düşük standart hataları) aldığımı fark ettim geepack. Bu neden oluyor? GEE'lerle, popülasyon ortalamalı bir modeli tahmin ettiğinizi anlıyorum (konuya özgü olarak), bu nedenle aynı nokta tahminlerini sadece doğrusal regresyon durumunda almalısınız.

(4) Kohortum birden fazla konum alanındaysa (ancak kişi başına bir ölçüm), bağımsızlığı veya değiştirilebilir bir çalışma korelasyonunu seçmeliyim ve neden? Yani, her sitedeki bireyler hâlâ birbirlerinden bağımsızlar, değil mi ?? Bu nedenle, örneğin konuya özgü bir model için, siteyi rastgele bir etki olarak belirtirim. Bununla birlikte GEE ile bağımsızlık ve değiş tokuş farklı tahminler verir ve altta yatan varsayımlar açısından hangisinin daha iyi olduğundan emin değilim.

(5) GEE 2 seviyeli hiyerarşik bir kümelenmeyi, yani kişi başına tekrarlanan ölçümleri olan çok bölgeli bir grubu ele alabilir mi? Cevabınız evet ise, kümeleme değişkeni olarak ne belirtmeliyim geeglm()ve örneğin birinci seviye (site) için "bağımsızlık" ve ikinci seviye (bireysel) için "değiştirilebilir" veya "otoregresif" varsa, çalışma korelasyonu ne olmalıdır?

Bunların birkaç soru olduğunu anlıyorum ve bazılarının oldukça basit, ama benim için (ve belki de başka acemiler?) Kavraması hala çok zor olabilir. Yani, herhangi bir yardım büyük ve içtenlikle takdir edilir ve bunu göstermek için bir lütfe başladım.

1. Şart değil. Küçük kümeler, dengesiz tasarım ve küme içi uyumsuz ayar ile, değiştirilebilir korelasyon bağımsızlık GEE'ye göre daha verimsiz ve önyargılı olabilir. Bu varsayımlar da oldukça güçlü olabilir. Ancak, bu varsayımlar karşılandığında, değiştirilebilir ile daha verimli bir çıkarım elde edersiniz. AR-1 korelasyon yapıları mantıklı olduğunda hiçbir zaman bir örnek bulamadım, çünkü zaman içinde dengelenmiş ölçümlere sahip olmak nadirdir (insan denek verileri ile çalışıyorum).

2. Korelasyonu araştırmak iyidir ve veri analizinde yapılmalıdır. Ancak, karar verme sürecini gerçekten yönlendirmemelidir . Boyuna ve panel çalışmalarında korelasyonu görselleştirmek için variogramları ve lorellogramları kullanabilirsiniz. Kesişen korelasyon, kümeler içindeki korelasyon derecesinin iyi bir ölçümüdür.

3. GEE'deki korelasyon yapısı, karışık modellerin aksine, marjinal parametre tahminlerini (GEE ile tahmin ettiğiniz) etkilemez . Yine de standart hata tahminlerini etkilemektedir. Bu herhangi bir link fonksiyonundan bağımsızdır. GEE'deki link fonksiyonu marjinal model içindir.

4. Siteler, bir ağız içindeki dişler veya bir okul bölgesindeki öğrenciler gibi ölçülmemiş varyasyon kaynakları olabilir. Bu verilerde diş çürümesine karşı genetik eğilim veya topluluk eğitimi finansmanı gibi kümelenme düzeyi çelişkileri potansiyeli vardır, bu nedenle değiştirilebilir bir korelasyon yapısı kullanarak daha iyi standart hata tahminleri elde edersiniz.

5. Bir GEE'deki marjinal etkilerin hesaplanması iç içe olmadıklarında karmaşık olabilir, ancak yapılabilir . Yuvalamak kolaydır ve söylediğiniz gibi yaparsınız.

(1) Büyük olasılıkla bir tür otoregresif yapıya ihtiyacınız olacaktır, çünkü daha fazla alınan ölçümlerin birbirine daha yakın olanlardan daha az korelasyonlu olmasını bekliyoruz. Takas edilebilirlik, hepsinin eşit olarak ilişkili olduğunu varsayar. Ancak diğer her şeyde olduğu gibi, duruma göre değişir.

(2) Bu tür bir kararın, verilerin nasıl göründüğünü görmek yerine verilerin nasıl üretildiğini düşünmeye geldiğini düşünüyorum.

(4) bağlıdır. Örneğin, okullarda yuvalanan çocuklara çoğu durumda bağımsız olarak davranılmamalıdır. Toplumsal kalıplama vb. Nedeniyle, belirli bir okuldaki bir çocuk hakkında bir şey biliyorsam, muhtemelen okullardaki diğer çocuklar hakkında en azından biraz biliyorum. Bir zamanlar GEE'yi katılımcıların mahallelerde yuvalandığı bir doğum kohortunda farklı sosyal ve ekonomik göstergeler ve obezite yaygınlığı arasındaki ilişkilere bakmak için kullandım. Değiştirilebilir bir yapı kullandım. Makaleyi burada bulabilir ve epi dergilerinden 2'si de dahil olmak üzere bazı referansları kontrol edebilirsiniz .

(5) Görünüşe göre (örneğin bu örneğe bakın ), ancak bunu yapmanın R spesifikasyonlarına yardımcı olamam.

Zeger SL, Liang KY, Albert PS. Boyuna veriler için modeller: genelleştirilmiş bir tahmin denklemi yaklaşımı. Biyometrik. 1988; 44: 1049-1060.

Hubbard AE, Ahern J, Fleischer N, van der Laan M, Lippman S, Bruckner T, Satariano W. Epidemiyoloji. 2009

Hanley JA, Negassa A, Edwardes MDB, Forrester JE. Genelleştirilmiş tahmin denklemleri kullanılarak ilişkili verilerin istatistiksel analizi: bir oryantasyon. J Epidemiol. 2003; 157: 364.

(0) Genel yorumlar: Çapraz geçerlilikte gördüğüm modellerin çoğu çok karmaşık. Mümkünse basitleştirin. Sonuçları karşılaştırmak için genellikle GEE ve karma model ile modellemeye değer.
(1) Evet. Değiştirilebilir seçin. Kesin cevabım GEE'nin en geniş çaplı faydasına dayanıyor: tahminlerin yapılan varsayımlara karşı dayanıklılığı.
Alanınızdaki çalışmalara bakarsanız, varlığın varsayılan seçenek olduğunu görmelisiniz. En iyisi olduğu anlamına gelmez, ancak ilk düşünülmesi gereken kişi olmalıdır. Değişim danışmanlığı, verileriniz hakkında ayrıntılı bilgiye sahip olmadan en iyi tavsiye olacaktır.
(2) Evet, "QIC" gibi veri odaklı yaklaşımlar vardır. Bu bir Stata örneğidir, ancak pratikte çok nadir kullanılmasına rağmen, makul bir seçenek olarak yaygın olarak kabul edilir:http://www.stata-journal.com/sjpdf.html?articlenum=st0126 )
(3) Nokta tahminleri hiçbir zaman tam olarak aynı değildir (bağımsız korelasyon yapısı kullanmıyorsanız), ancak genellikle oldukça yakındır. Bunu hissetmek için basit / gee / karışık efektler model tahminlerini karşılaştıran birçok makale bulabilirsiniz ( https://recherche.univ-lyon2.fr/greps/IMG/pdf/JEBS.pdf ) Çoğu ders kitabında bir tablo veya Bunun için iki. Bağımsız bir korelasyon yapısı için esas olarak sağlam SE'lerle poisson modelini çalıştırıyorsunuz. Böylece tahminler tamamen aynı olacaktır. SE genellikle daha büyüktür. Ancak bazen sağlam SE daha küçüktür (yani hayat: ilgilenirseniz google ile ağrısız açıklama sağlar)
(4) Bkz. Yukarıdaki (1) ve (2).
(5) Hayır. Ya da daha iyisi, yeterince çaba harcarsanız her şeyi yapabilirsiniz, ancak çok nadiren çabaya değer.

Yaptığınız şeyi yapmak için bir gee ile yanlış yaklaşımı kullanıyorsunuz çünkü yapıyı bilmiyorsunuz ve sonuçlarınız muhtemelen karışık olacaktır. Jamie Robinson'a bak. Uzun kullanmanız gerekiyor. TMLE (mark van der laan) veya belki de iptw ağırlıkları olan bir gee. Korelasyon muhasebesi yapılmaması varyansı küçümsemektedir. Tekrarlanan tüm ölçümler% 100 ilişkili olsaydı, etkili bir şekilde daha az gözleminiz olurdu (esas olarak n denekleriniz için n) ve daha küçük n daha yüksek sapma anlamına gelir.