어떤 시점에서 응답이 심하게 왜곡되고 일부는 반복 측정 연구에 있지 않은 경우 어떻게해야합니까?

일반적으로 종단 설계에서 연속적이지만 치우친 결과 측정치가 발생하는 경우 (예 : 개체 간 효과가 하나 인 경우) 일반적인 접근 방식은 결과를 정규성으로 변환하는 것입니다. 절단 된 관측과 같이 상황이 극단적 인 경우에는 환상적이게되고 Tobit 성장 곡선 모델 또는 일부를 사용할 수 있습니다.

그러나 특정 시점에 일반적으로 분배 된 결과가 다른 시점에 크게 왜곡 된 결과를 볼 때 나는 상실합니다. 변형은 하나의 누출을 막을 수 있지만 다른 누출을 일으킬 수 있습니다. 이 경우 무엇을 제안 할 수 있습니까? 내가 모르는 혼합 효과 모델의 "비모수 적"버전이 있습니까?

참고 : 적용 사례는 일련의 교육적 개입 전후에 대한 지식 테스트 점수입니다. 점수는 정상으로 시작하지만 나중에 스케일의 최고점에 모입니다.

문제가 잔차에서 발생한다고 가정하면 (결과 변수 자체의 분포는 일반적으로 문제가되지 않기 때문에) 변환 또는 응용 프로그램을 통해 문제를 "수정"하는 대신 문제의 원인을 조사하려고합니다. 비모수 적 모델.

추세가있는 것처럼 보이거나 (예를 들어, 점차 정상이 될 때까지) 또는 정상에서 정상이 아닌 시점 사이에 분명한 중단이있는 경우, 일종의 "정규 변경"을 제안합니다. 데이터 (즉, 데이터 생성 메커니즘이 시간이 지남에 따라 변경됨) 또는 일부 유형의 누락 된 변수 문제.

명백한 패턴이없는 경우 (예를 들어, 기간 1과 3은 정상으로 보이고 기간 2와 4는 그렇지 않습니다) 데이터 무결성 문제를 매우 신중하게 찾고있을 것입니다.

체제 변경이 있는지 확인하는 간단한 방법은 "정상"기간 만 사용하여 모델을 추정 한 다음 다른 기간을 사용하여 재 추정하고 차이가 발생하는지 확인하는 것입니다. 좀 더 복잡한 접근 방식은 잠재적 인 모델로 시간이있는 잠재적 클래스 모델을 사용하는 것입니다.

비모수 혼합 효과 모델에 대한 귀하의 질문은 비모수 적 의미에 따라 다릅니다. 숫자 종속 변수를 사용하지 않는 모델을 의미하는 경우 그러한 모델이 많이 있습니다 (예 : LIMDEP에는 꽤 많은 것이 있습니다). 또한 정규성 가정 위반은 표본 크기가 작은 경우 추론 관점에서만 문제가 될 수 있습니다. 이것을 조사하는 한 가지 방법은 다른 의견과 답변에서 논의 된 다양한 변형을 시도하고 그것이 당신의 결론에 많은 영향을 미치는지 확인하는 것입니다.

모델-모수 추정에 람다가 포함 된 변수를 전력 람다로 올리는 Box-Cox 변환이 있습니다. 나는 Tukey의 접힌 전력 변환에 익숙하지 않기 때문에 우리가 같은 것에 대해 이야기하고 있는지 모르겠습니다. 람다를 추정하려면 적합치에 여러 점이 필요합니다. 각 시점에서 시험을 치르는 일련의 피험자에 대해 분포가 정의 된 각 시점에서 다른 분포를 맞추고 싶습니까? 이 경우에도 일부 시점의 분포가 동일해야한다는 것을 알고 있다면이를 단일 적합으로 결합 할 수 있습니다.

비모수적이고 정규성으로의 변환을 포함하지 않는 또 다른 방법은 각 시점 또는 각 조합 된 시점에 부트 스트랩을 적용하는 것입니다.