Многократное моделирование структурного уравнения моделирования

10

Мне нужно проанализировать набор данных клинической реабилитации. Меня интересуют гипотезы о взаимосвязи между количественным «вкладом» (количеством терапии) и изменениями в состоянии здоровья. Хотя набор данных является относительно небольшим (n ~ 70), мы повторили данные, отражающие временные изменения в обоих. Я знаком с нелинейным моделированием смешанных эффектов в R, однако меня интересуют потенциальные «причинные» отношения между входом и выходом здесь, и, таким образом, я рассматриваю повторные измерения применений SEM

Я был бы признателен за совет, если какой-либо из пакетов SEM для R (sam, lavaan, openmx?) Лучше всего подходит для данных повторных измерений и, в частности, рекомендаций для учебников (есть ли в этой области «Пиньейру и Бейтс»?) ,

r repeated-measures panel-data sem RobF
источник
2
Как вы думаете, зачем вам нужна SEM? Если вы слышали шумиху о том, что SEM решает все причинно-следственные проблемы, это слишком много, только идеальные рандомизированные эксперименты делают. Смотрите ссылку, которую я дал в своем ответе ниже.
StasK
1
Когда вы говорите n ~ 70, вы имеете в виду 70 пациентов, измеренных во времени, или 70 измерений (скажем, 7 пациентов в 10 раз)? Я только изучаю SEM, но одна вещь, которую я до сих пор заметил, это то, что она предполагает большие наборы данных (они говорят о 200+ и более), так что вы можете в конечном итоге расстроить / обмануть себя.
Уэйн

Ответы:

5

Я думаю, что вы хотите модель кривой скрытого роста. В то время как я использовал только LISRELэто, это lavaan package documentationуказывает на то, что его можно использовать, чтобы соответствовать модели этого типа.

Я не знаю ни одной книги, специализирующейся на этом предмете, книга, над которой я работаю для SEM, охватывает ряд методов. Возможно, кто-то еще может ответить на этот аспект вашего вопроса.

Мишель
источник
2
(+1) Действительно, кривая роста и смешанные модели ЛЖ являются одними из самых «горячих» тем в SEM или психометрии; они освещены в некоторых недавних книгах, таких как модели со скрытой смесью переменных (Hancock & Samuelsen, 2008). У меня есть другие документы в моем списке TOBEREADFORTOOLONG, и я бы порекомендовал посмотреть на работу от Múthen и др. В сочетании с тем, что программное обеспечение Mplus предлагает для этой конкретной цели . Если я найду время перечитать литературу и сравнить lavaan/ Mx с Mplus, я отправлю ответ сам.
ЧЛ
Это было бы хорошо, потому что я только что изучил модели кривой скрытого роста, и они действительно являются уникальной моделью по сравнению с другими типами СЭМ.
Мишель
4

Нет, здесь нет «Пиньейру и Бейтса». Вы можете найти ряд книг под названием «SEM с использованием AMOS / LISREL / Mplus», но я не знаю ни одного из них, использующих R. Лучшая математическая книга по SEM по-прежнему Bollen (1989) . Он написан социологом, а не биостатистом (хотя и очень хорошим!) И поэтому нацелен на социологов и содержит мало ссылок на программное обеспечение (в любом случае, вам не нужно программное обеспечение четверть века назад) , Боллен также недавно стал соавтором хорошей статьи о причинно-следственной связи с Иудеей Перл, см. Http://ftp.cs.ucla.edu/pub/stat_ser/r393.pdf . Насколько я могу судить, Mulaik (2009) тоже должен быть хорошим, но он написан психологом для психологов.

Я не думаю, что sem package достаточно гибок, чтобы запускать подобные вещи. OpenMx может иметь дело с порядковыми данными (и, следовательно, с двоичными результатами), но я не думаю, что Lavaan может сделать это.

Программное обеспечение, с которым вам концептуально проще всего разобраться, может быть GLLAMM , пакет, написанный для Stata . С одной стороны, это, по сути, воплощение Stata nlme. С дополнительной настройкой (позволяющей коэффициентам случайных эффектов варьироваться в зависимости от значений других переменных) он становится пакетом моделирования скрытой переменной. Все это описано в Skrondal и Rabe-Hesketh (2004) ... которая сама по себе является отличной книгой, которую вы хотели бы иметь, даже если бы просто сделали nlme.

Stask
источник
(+1) Хорошие ссылки. (О gllamm, если смотреть по-другому - с точки зрения психометрика, привыкшего к IRT-моделям: это просто ужасно медленно :-)
chl
@chl, напишите свою собственную вероятность;). Вот что я делал polychoric, например, когда мне это было нужно.
StasK
2

Поскольку вам кажется, что вы знакомы с обобщенными линейными смешанными моделями, и вы, похоже, не подразумеваете, что вас интересуют скрытые переменные, возможно, вы захотите использовать кусочный подход, используя lmerкоторый вы затем сможете оценить с помощью теста D-Sep. См. Шипли, Б. (2009). Подтверждающий анализ пути в обобщенном многоуровневом контексте. Экология, Экология, 90, 363–368. http://dx.doi.org/10.1890/08-1034.1 для примера. Он также предоставляет R-код в приложении для того, как рассчитать тест D-разделения.

Если вы действительно хотите войти в моделирование скрытых переменных и SEM с максимальной вероятностью, посмотрите http://lavaan.org - там есть отличное учебное пособие, которое охватывает его возможности, а также раздел о моделях кривой скрытого роста, который вполне может быть ты после.

jebyrnes
источник