비모수 반복 측정 R에서 다 방향 Anova?

다음 질문은 한동안 저를위한 성배 중 하나입니다. 누군가 좋은 조언을 해 줄 수 있기를 바랍니다.

R을 사용하여 비모수 반복 측정 multiway anova를 수행하고 싶습니다.

나는 한동안 온라인 검색과 독서를 해왔으며 지금까지 일부 경우에 대한 해결책을 찾을 수있었습니다. anova 등. 부분 솔루션은이 질문 스레드에서 찾고있는 것이 아닙니다. 내가 몇 시간 전에 발표 된 이후 지금까지 나의 연구 결과를 요약 한 (제목 : 반복 측정 ANOVA를 R (기능 및 자습서)와 , 케이스에 사람을 도움이 될 것이다)

온라인에서 읽은 내용이 사실이면이 순서는 혼합 서수 회귀 모델 (일명 비례 비례 모델)을 사용하여 달성 할 수 있습니다.

관련성이있는 것으로 보이는 두 가지 패키지를 찾았지만 주제에 대한 비 네트를 찾을 수 없었습니다.

• http://cran.r-project.org/web/packages/repolr/
• http://cran.r-project.org/web/packages/ordinal/

그래서 주제를 처음 접했을 때 나는 사람들의 지시를 기다리고있었습니다.

주제에 대한 자습서 / 제안 자료가 있습니까? 더 좋은 방법은 누군가 R에서 이것을 실행하고 분석하는 방법에 대한 간단한 예제 코드를 제안 할 수 있습니까 (예 : "비모수 반복 측정 다중 경로 분산 분석")?

레즈 나는 저자입니다있는 패키지는, 올바르게 상호 작용하지 않습니다 아마도 순열 테스트를 계산 ezPerm ()라는 함수를 가지고 있지만, (문서의 인정만큼). 최신 버전에는 ezBoot ()라는 함수가 있습니다.이 기능을 사용하면 전통적인 셀 수단을 예측 통계로 사용하거나 혼합 효과 모델링을 사용하여 예측 통계를 반복하거나 (피사체를 리샘플링 한 후 주제 내에서) 반복 측정을 고려한 부트 스트랩 리샘플링을 수행 할 수 있습니다 디자인의 각 셀에 대해 혼합 효과 모델 예측에서 부트 스트랩 CI가 어떻게 "비모수 적"인지 확실하지 않습니다. 내 직감은 그들이 비모수 적 인 것으로 간주 될 수 있지만 혼합 효과 모델에 대해 여전히 배우고 있다는 점 에서이 분야에 대한 확신은 낮습니다.

의심 스러우면 부트 스트랩! 실제로, 나는 그러한 시나리오를 처리하기 위해 미리 준비된 절차를 모른다.

부트 스트랩은 현재 데이터에서 일부 오류 매개 변수를 생성하는 일반적으로 적용 가능한 방법입니다. 부트 스트랩 절차는 일반적인 파라 메트릭 가정에 의존하기보다는 표본의 특성을 활용하여 표본 추정값을 비교할 수있는 경험적 분포를 생성합니다.

구글 학자 (Google Scholar)는 금입니다. 적어도 한 번은 끝났습니다.

Lunneborg, Clifford E .; Tousignant, James P .; 1985 "반복 측정 설계에 적용되는 Efron의 부트 스트랩." 다변량 행동 연구; Apr85, Vol. 20 호 2 호, p161, 18p

일부 포럼 및 메일 링리스트에는 "트릭"이 언급되어 있습니다. 또한 Joop Hox의 "Multilevel Analysis"(2010 년 제 2 판), pp. 189에서도 언급되었습니다.

아이디어는 : 긴 데이터를 긴 DV 데이터 형식으로 재구성하여 모든 DV 응답을 포함하는 새 DV를 작성하고 DV의 특성에 대한 정보를 보유하는 색인 ​​변수를 사용하여이 결과를 예측하는 것입니다.

9 개의 우울증 증상 (일반), 2 개의 측정 지점 및 300 명의 피사체가 있다고 가정 해 봅시다. 따라서 일반 데이터 세트에 300 개의 행이 있고 긴 데이터 세트에 600 개의 행이있는 반면이 새 데이터 세트에는 9 (증상) x 2 (시간) x 300 (대상) 행이 있습니다.

새로운 DV 변수 "증상"에는 이제 9 가지 증상에 대한 참가자의 증상 심각도가 포함되어 있고, "인덱스"변수에는 증상의 특성에 대한 정보가 포함되어 있으며 (1-9), "시간"과 "두 가지 변수"가 있습니다. UserID ".

이제 ordinal패키지를 사용하여 이를 실행할 수 있습니다 .

data<-read.csv("data_long_long.csv", head=T)

data$symptoms <- factor(data$symptoms)
data$time <- factor(data$time)
data$index <-factor(data$index)

m1<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)

필자의 경우 인덱스와 시간 사이에 중요한 상호 작용이 있는지 여부에 관심이 있었기 때문에 하나의 추가 모델을 실행하여 비교했습니다.

m2<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)
anova(m1,m2)

CLMM2는 랜덤 인터셉트 모델을 사용합니다 (내가 아는 한, 패키지 ordinal는 랜덤 슬로프를 수행하지 않습니다). 랜덤 인터셉트 모델을 사용하지 않으면 CLM을 사용하여 모델을 대신 실행할 수 있습니다.

m3<-clm(symptoms ~ index+time, data = data)