lmer para medidas repetidas

Question

Tengo varios pares de animales pair . Para cada uno de ellos, medí repetidamente las proporciones diarias de tiempo que pasaban en contacto time.con (30-60 mediciones para cada grupo, 1 medición por date ). Quiero comparar cuánto tiempo pasaron en contacto diferentes parejas utilizando lmer y controlando las medidas repetidas. Los pares son permanentes, por lo que esencialmente par = individuo. He aquí un ejemplo simplificado:

      pair   date     time.con

 [1,] "1"  "01.06.17" "0.12"  
 [2,] "1"  "02.06.17" "0"     
 [3,] "1"  "03.06.17" "0.11"  
 [4,] "2"  "04.06.17" "0.34"  
 [5,] "2"  "05.06.17" "0.02"  
 [6,] "2"  "06.06.17" "0.07"  
 [7,] "3"  "01.06.17" "0.14"  
 [8,] "3"  "02.06.17" "0.26"  
 [9,] "3"  "03.06.17" "0.1"

Así, el efecto fijo sería pair . La pregunta es: ¿cómo controlo las medidas repetidas? Si utilizo pair como efecto fijo y aleatorio, el modelo, obviamente, no converge:

`lmer(time.con ~ pair + (1|pair))`

Supongo que ahí es donde debo usar date de alguna manera (como anidado en pair ?), pero no consigo que la sintaxis sea correcta:

`lmer(time.con ~ pair + (1+pair|date))` (doesn't work)

Probablemente me estoy perdiendo algo sencillo, ya que soy nuevo tanto en R como en lmm. Agradecería cualquier consejo.

Answer 1

Parece tratarse de un estudio longitudinal, con mediciones a lo largo del tiempo para cada pareja. Como primer paso, basándonos en la date se podría construir la variable de tiempo de seguimiento, que es el tiempo transcurrido desde la primera medición. No obstante, piense detenidamente si la primera medición es realmente la hora 0 de cada pareja para su experimento o tal vez otra fecha.

A continuación, se incluyen efectos aleatorios para el pair variable de agrupación, pero no incluirla también como efecto fijo. Podría empezar con un modelo de interceptos aleatorios, por ejemplo

fm1 <- lmer(time.con ~ follow_up_time + (1 | pair), 
            data = your_data)

Este modelo postula que las correlaciones a lo largo del tiempo dentro de un par permanecen constantes. Se podría ampliar el modelo suponiendo que las correlaciones disminuyen con el intervalo de tiempo entre las mediciones utilizando un modelo de interceptos aleatorios y pendientes aleatorias, por ejemplo,

fm2 <- lmer(time.con ~ follow_up_time + (follow_up_time | pair), 
            data = your_data)

Para evaluar si necesitas las pendientes aleatorias, podrías hacer una prueba de razón de verosimilitud, es decir,

anova(fm1, fm2)

Answer 2

(mi primer intento de respuesta en stackexchange... crucemos los dedos para que funcione)

No soy un experto, pero le daré mi opinión. No tengo suficiente reputación para poner esto en un comentario, así que aquí está una respuesta.

Supongo que lo primero que hay que preguntarse es qué se quiere aprender de los datos. Dices que quieres compararlos. Con esto, ¿sólo quiere ver las medias de cada par? Si es así, podría ver las medias sin ajustar o las medias reducidas:

1. Las medias no ajustadas utilizando lm(). Es decir, sin agrupación se podría utilizar:

lm(time.con ~ Pair)

Para obtener los coeficientes:

coef( lm(time.con ~ Pair) )

2. Los medios encogidos utilizando lmer(). Es decir, con pooling se podría utilizar:

lmer(time.con ~ (1|Pair))

Para obtener los coeficientes:

coef( lmer(time.con ~ (1|Pair)) )

Si no es eso lo que tiene en mente cuando dice que quiere compararlos, entonces ¿qué significa para usted "comparar" en este contexto?

Por último, dado que su variable de respuesta tiene un límite inferior duro en 0, y algunos valores que están cerca de él, incluido uno justo en 0, entonces la suposición típica de que el término de error es gaussiano podría no ser la mejor. Si desea tener en cuenta esto mediante el uso de modelos de aprendizaje generalizado, glm() y glmer() podrían ser útiles. Esperemos que alguien más pueda añadir más detalles sobre si valdría la pena o no pasar a un modelo lineal generalizado.

Para más antecedentes, creo que este es un buen recurso disponible gratuitamente en la web:

https://bookdown.org/roback/bookdown-bysh/ch-MLRreview.html

Trabajé con una versión antigua, pero parece que la actualizaron hace unos días.