R'deki çok düzeyli modellerle karmaşık anket verilerinin nasıl analiz edileceğine dair tavsiye arıyorum. Bir seviyeli modellerde survey
eşit olmayan seçim olasılıkları için paketi ağırlık olarak kullandım , ancak bu paket çok düzeyli modelleme için işlevlere sahip değil. lme4
Paket düzeyli modelleme için harika ama ben kümeleme farklı düzeylerde ağırlıkları dahil etmek bildiğim bir yolu yoktur. Asparouhov (2006) sorunu ortaya koymaktadır:
Çok düzeyli modeller sıklıkla küme örnekleme tasarımlarındaki verileri analiz etmek için kullanılır. Ancak bu tür örnekleme tasarımları genellikle küme düzeyinde ve bireysel düzeyde eşit olmayan bir seçim olasılığı kullanır. Örnekleme ağırlıkları, bu olasılıkları yansıtacak şekilde bir veya her iki seviyede atanır. Örnekleme ağırlıkları her iki düzeyde de göz ardı edilirse, parametre tahminleri büyük ölçüde önyargılı olabilir.
İki seviyeli modeller için bir yaklaşım, MPLUS'da uygulanan çok düzeyli sahte maksimum olabilirlik (MPML) tahmin edicisidir ( Asparouhov ve ark . ? ). Carle (2009), büyük yazılım paketlerini gözden geçirir ve nasıl devam edileceği konusunda birkaç öneri yapar:
Karmaşık araştırma verileri ve tasarım ağırlıkları ile MLM'yi düzgün bir şekilde yürütmek için analistlerin, programın dışında ölçeklendirilmiş ağırlıkları ve otomatik program değişikliği olmadan "yeni" ölçeklendirilmiş ağırlıkları içerebilen bir yazılıma ihtiyaçları vardır. Şu anda, başlıca MLM yazılım programlarından üçü buna izin vermektedir: Mplus (5.2), MLwiN (2.02) ve GLLAMM. Ne yazık ki, ne HLM ne de SAS bunu yapamaz.
West ve Galecki (2013) daha güncel bir inceleme yaparlar ve ilgili pasajı uzun süre alıntılayacağım:
Bazen analistler, karmaşık tasarımlara sahip örneklerden toplanan veri setlerini araştırmak için LMM'leri yerleştirmek ister (bkz. Heeringa ve ark., 2010, Bölüm 12). Karmaşık örnek tasarımları genellikle popülasyonun tabakalara bölünmesi, tabakalar içindeki bireylerin kümelerinin çok aşamalı seçimi ve hem kümeler hem de örneklenen nihai bireyler için eşit olmayan seçim olasılıkları ile karakterizedir. Bu eşit olmayan seçim olasılıkları, bir analize dahil edildiğinde tanımlayıcı parametrelerin tarafsız bir şekilde tahmin edilmesini sağlayan bireyler için örnekleme ağırlıklarının oluşturulmasına yol açar. Bu ağırlıklar, anket yanıtı için daha fazla ayarlanabilir ve bilinen nüfus toplamlarına göre kalibre edilebilir. Geleneksel olarak, analistler, regresyon modellerini tahmin ederken bu karmaşık örnekleme özelliklerini dahil etmek için tasarım tabanlı bir yaklaşım düşünebilirler (Heeringa ve ark., 2010). Daha yakın zamanlarda, istatistikçiler, örnekleme katmanlarının sabit etkilerini ve örneklenmiş kümelerin rastgele etkilerini dahil etmek için LMM'leri kullanarak bu verileri analiz etmek için model tabanlı yaklaşımları keşfetmeye başladılar.
Bu verileri analiz etmek için model tabanlı yaklaşımların geliştirilmesindeki temel zorluk, örnekleme ağırlıklarını dahil etmek için uygun yöntemleri seçmektir (konuların bir özeti için bkz. Gelman, 2007). Pfeffermann ve diğ. (1998), Asparouhov ve Muthen (2006) ve Rabe-Hesketh ve Skrondal (2006), çok düzeyli modelleri araştırma ağırlıklarını içerecek şekilde tahmin etmek için teori geliştirmiştir ve Rabe-Hesketh ve Skrondal (2006), Carle (2009) ve Heeringa ve ark. (2010, Bölüm 12) mevcut yazılım prosedürlerini kullanarak uygulamalar sunmuşlardır, ancak bu, istatistiksel araştırmaların aktif bir alanı olmaya devam etmektedir. LMM'leri yerleştirebilen yazılım prosedürleri, literatürde şimdiye kadar karmaşık tasarım özelliklerinin dahil edilmesi için önerilen yaklaşımların uygulanmasının çeşitli aşamalarındadır, ve analistlerin LMM'leri karmaşık örnek anket verilerine uydururken bunu göz önünde bulundurmaları gerekir. LMM'leri karmaşık örnek anketlerden toplanan verilere uydurmakla ilgilenen analistler, buradaki literatürle tutarlı olarak anket ağırlıklarını tahmin prosedürlerine (HLM, MLwiN, Mplus, xtmixed ve gllamm) doğru bir şekilde dahil edebilen prosedürlere çekilecektir. alanı.
Bu bana sorumu getiriyor: RMM'deki karmaşık anket verilerine LMM yerleştirmek için en iyi uygulama önerileri olan var mı?
lmer
İşlev lme4
paketinin bir belirtilmesine izin veren weights
Tasarım ağırlıkları sabit eğer öyleyse, o argümanı ile birleştirmek mümkün olmalıdır, model uydurma süreci için argüman. Burada çubuğun yanlış ucunu buldum mu? Bunun ihtiyaçlarınız için yetersiz olmasının bir nedeni var mı?
i've never said it before
gelen addhealth Bu yayınının ilgi olabilir .. :(