모든 시점의 데이터가 어떤 의미에서 서로 교환 가능해야한다고 생각하지 않는 한 혼합 모델이 매우 적합한 지 (임의 효과 구조가 선형 예측 변수 인 표준 패키지 사용) 알 수 없습니다 불규칙 간격은 문제가되지 않습니다)-실제 자기 상관을 합리적인 방식으로 모델링하지는 않습니다. lmer ()를 속여 일종의 공격적인 일을하도록 속일 수는 있지만 정확히 어떻게 당신이 그렇게 할 수 있습니까? (나는 똑바로 생각하지 않을 수도 있습니다). 또한 혼합 모델 시나리오에서 자동 상관을 유도하는 "그룹화 변수"가 무엇인지 잘 모르겠습니다.
시간 자기 상관이 성가신 매개 변수이고 너무 예측하지 않는 경우큰 경우에는 데이터를 상관 관계 측면에서 본질적으로 서로 분리 된 에포크 (epoch)로 묶을 수 있습니다 (예 : 데이터가없는 지점에서 시계열 분리). 그런 다음이 수정 된 데이터 세트에서 GEE와 같은 작업을 수행 할 수 있습니다. 여기서 "클러스터"는 사용자가 속한 에포크에 의해 정의되며, 작업 상관 매트릭스의 항목은 관측이 얼마나 멀리 떨어져 있는지에 대한 함수입니다. 회귀 함수가 올바른 경우 상관 구조가 잘못 지정되어 있어도 회귀 계수의 일관된 추정값을 얻을 수 있습니다. 예를 들어, 일반적으로 포아송 회귀 분석에서와 같이 로그 링크를 사용하여 카운트 데이터로 모델을 모델링 할 수도 있습니다. 종들 사이에 약간의 상관 관계를 구축 할 수도 있습니다. 여기서 각 시점은 시점 사이에 시간적으로 붕괴되는 연관성을 갖는 종의 다변량 벡터로 간주된다. 이를 위해서는 표준 GEE 패키지를 속이기 위해 사전 처리가 필요합니다.
시간 자기 상관이 성가신 매개 변수 가 아닌 경우 전체 데이터 세트를 큰 다변량 벡터의 하나의 관측 으로보고 종에 대한 관측치 와 같은 전체 데이터 세트를 보는 구조적 공분산 모델과 같은 것을 시도합니다. 인와이에스, Y티u , v
c o v ( Y에스, Y티) = fθ( s , t , u , v )
여기서 는 유한 한 수의 매개 변수 인 까지 알려진 일부 매개 변수 함수 이며 평균 구조를 제어하는 여러 개의 매개 변수와 함께 사용됩니다. 이와 같은 모델에 대해 "자체 구축"이 필요할 수도 있지만, 카운트 데이터를 위해 이와 같은 작업을 수행하는 MPLUS 패키지가있는 경우에도 놀라지 않을 것입니다.에프θ