¿Cómo tener en cuenta para medidas repetidas en glmer?

Question

Mi diseño es como sigue.

• $y$ es de Bernoulli respuesta
• $x_1$ es una variable continua
• $x_2$ es una categórica (factor) variable con dos niveles de

El experimento es completamente dentro de los temas. Es decir, cada sujeto recibe cada combinación de $x_1$$x_2$.

Esta es una de medidas repetidas de regresión logística. El experimento se dan dos ojivas para $p(y=1)$ vs $x_1$, uno de nivel1 y uno de level2 de $x_2$. El efecto de la $x_2$ debe ser que para el nivel 2 en comparación con level1, la ojiva debe tener una menor pendiente y el aumento de la intersección.

Estoy luchando con la búsqueda del modelo de uso de la lme4. Por ejemplo,

glmer(y ~ x1*x2 + (1|subject), family=binomial)

Tan lejos como yo lo entiendo, el 1|subject parte dice que subject es un efecto aleatorio. Pero no veo cómo especificar que $x_1$ $x_2$ son variables de medidas repetidas. En el final, quiero un modelo que incluye un efecto al azar de los sujetos, y da estimado de las pendientes y las intersecciones de nivel 1 y nivel 2.

Answer 1

tl;dr: el modelo ya cuentas por el hecho de que usted tiene de medidas repetidas. No obstante, si cabe, lo mejor es usar:

glmer(y ~ x1*x2 + (x1:x2|subject), family=binomial)

pero si eso no es manejable, puedes intentar:

glmer(y ~ x1*x2 + (1|subject) + (0+x1|subject) + (0+x2|subject), family=binomial)

   _{Para una explicación de la sintaxis de aquí, véase: R lmer hoja de trampas.}

---

Versión completa: no es necesario "contar" R que $x_1$ $x_2$ son variables de medidas repetidas. (Esto es realmente sólo una pequeña distinción semántica, pero) yo no diría que las variables pueden ser "medidas repetidas variables" frente a la "no-repitió medidas de las variables". Las Variables son variables. Yo diría que, por ejemplo, 'la variable 1 se mide dentro de los pacientes, y la variable 2 se mide entre los pacientes' o algo así. Por supuesto, su fraseo está bien, sólo que no quiero es llevar a alguna confusión en caso de que usted piensa de medidas repetidas-ness como algunos estatus ontológico intrínseca a la variable.

En cualquier caso, en lugar de decirle a R que una variable se mide dentro de la gente, simplemente la necesidad de formular un modelo de uso de azar y/o efectos fijos para dar cuenta de la no-independencia de los datos que provienen de la misma persona. (Sí, usted puede usar un efecto fijo para dar cuenta de esto: cada persona sería un nivel de una variable categórica que se incluye. Sin embargo, esta respuesta será un poco diferente de pregunta—casi ciertamente no el que usted está interesado en y a menos que tenga muchas mediciones en la misma persona en cada combinación de condiciones, el modelo no será manejable.) En la práctica, el uso de efectos aleatorios para dar cuenta de esto. Específicamente, usted tendrá un efecto aleatorio para cada sujeto.

Lo siguiente que necesita para especificar lo que desea de efectos aleatorios para. La sintaxis que utiliza, (1|subject), la causa R para incluir un intercepto aleatorio para cada persona. Esto va a cambiar a alguien de la línea de mejor ajuste hacia arriba o hacia abajo en relación a la media. Usted debe pensar acerca de si las personas son también probablemente difieren en sus laderas—es decir, con qué fuerza que responden a los cambios en las variables. Usted también debe pensar en si el de efectos aleatorios están correlacionadas entre sí, por ejemplo, tal vez la gente que empezar superior al $x_1=0$ también tienden a responder con más fuerza a los aumentos en la $x_1$. Consejo común es incluir todos los posibles efectos aleatorios y las intercorrelaciones (Barr et al., De 2013, de "Mantener la máxima", pdf). Sin embargo, tenga en cuenta que GLMMs son más difíciles de cómputo de LMMs, de modo que tal modelo no puede ser manejable.