반복 측정 구조 방정식 모델링

10

임상 재활 데이터의 데이터 세트를 분석해야합니다. 정량화 된 "입력"(치료량)과 건강 상태의 변화 사이의 가설 중심 관계에 관심이 있습니다. 데이터 세트는 비교적 작지만 (n ~ 70) 두 가지 모두의 시간적 변화를 반영하는 데이터를 반복했습니다. R의 비선형 혼합 효과 모델링에 익숙하지만 여기서 입력과 출력 사이의 "인과적인"관계에 관심이 있으므로 SEM의 반복 측정 응용 프로그램을 고려하고 있습니다.

R에 대한 SEM 패키지 (sam, lavaan, openmx?) 중 일부가 반복 측정 데이터, 특히 교과서에 대한 권장 사항에 가장 적합한 경우 ( "Pinheiro 및 Bates"필드에 대한 조언) .

r repeated-measures panel-data sem

— RobF
소스

2

왜 SEM이 필요하다고 생각하십니까? SEM이 모든 인과 관계 문제를 해결한다는 과대 광고를 들었다면 과대 광고이며 이상적인 무작위 실험 만 할 수 있습니다. 아래 답변에서 내가 준 참조를 참조하십시오.

— StasK 2019

1

n ~ 70이라고 말할 때 시간이 지남에 따라 70 명의 환자가 측정되었거나 70 개의 측정 (예 : 10 개의 다른 시간에 7 명의 환자)을 의미합니까? 나는 단지 SEM을 배우고 있지만 지금까지 주목 한 것은 큰 데이터 세트 (200 + 이상 이야기)를 가정하므로 좌절하거나 속일 수 있습니다.

— Wayne

5

잠재 성장 곡선 모델을 원한다고 생각합니다. LISREL이 용도로만 사용했지만 lavaan package documentation이 유형의 모델에 적합하다는 것을 나타냅니다.

나는이 주제에 특화된 어떤 책도 모른다. 내가 SEM에서 작업하고있는 책은 다양한 방법을 다룬다. 아마도 다른 사람이 귀하의 질문에 대한 해당 측면에 대답 할 수 있습니다.

— 미셸
소스

2

(+1) 실제로 성장 곡선과 혼합 LV 모델은 SEM 또는 심리 측정에서 '핫'주제 중 하나입니다. 이들은 Latent Variable Mixture Models (Hancock & Samuelsen, 2008) 과 같은 최근의 저서들에서 다루고 있습니다. TOBEREADFORTOOLONG 목록에 다른 논문이 있는데 Mplus 소프트웨어가 특정 목적을 위해 제공하는 것과 관련하여 Múthen과 coll.의 연구를 볼 것을 권장합니다 . 문헌을 다시 읽고 lavaan/ Mx를 Mplus 와 비교할 시간이 있으면 답장을 직접 게시하겠습니다.

— chl

잠재 성장 곡선 모델을 방금 배웠기 때문에 다른 유형의 SEM과 비교할 때 실제로 매우 독특한 모델이기 때문에 좋습니다.

— Michelle

4

아니오, "Pinheiro and Bates"는 없습니다. "AMOS / LISREL / Mplus를 사용하는 SEM"과 같은 제목의 책을 찾을 수 있지만 R을 사용하는 것을 알지 못합니다. 수학적으로 말하면 SEM에서 가장 좋은 책은 여전히 Bollen (1989) 입니다. 그것은 생물 통계학자가 아닌 사회 학자에 의해 작성되었으며 (아주 훌륭하지만!) 사회 과학자를 목표로하며 소프트웨어에 대한 언급이 거의 없습니다 (그리고 당신은 1 세기 전에 소프트웨어를 원하지 않습니다) . Bollen은 최근 Judea Pearl과의 인과 관계에 대한 좋은 논문을 공동 저술했습니다 . http://ftp.cs.ucla.edu/pub/stat_ser/r393.pdf를 참조 하십시오 . 내가 알 수있는 한, Mulaik (2009) 도 훌륭해야하지만 심리학자가 심리학자를 위해 작성했습니다.

나는 sem 패키지가 이런 종류의 것들을 실행할만큼 유연하다고 생각하지 않습니다. OpenMx는 서수 데이터 (따라서 이진 결과)를 처리 할 수 있지만 용암이 그렇게 할 수 있다고 생각하지 않습니다.

개념 적으로 다루기 가장 쉬운 소프트웨어는 Stata 용으로 작성된 GLLAMM 패키지 일 수 있습니다 . 한 가지 방법으로 볼 때 이것은 기본적으로 Stata의 화신입니다 . 추가 조정 (임의 효과의 계수가 다른 변수의 값에 따라 다름)은 잠재적 변수 모델링 패키지가됩니다. 이 모든 내용은 Skrondal and Rabe-Hesketh (2004)에 설명되어 있습니다 .이 책은 여러분이 원할 경우에도 갖고 싶은 훌륭한 책입니다 .nlmenlme

— StasK
소스

(+1) 멋진 참조. (에 대해 gllamm, 다른 방법을 보았습니다-심리학자의 관점에서 IRT 모델에 이르기까지 : 그것은 엄청나게 느립니다 :-)

— chl

@chl, 자신의 가능성을 쓰십시오;). 그게 내가 함께 무슨 짓을했는지 polychoric나는 그것을 필요로 할 때, 예를 들어,.

— StasK

2

일반화 된 선형 혼합 모형에 익숙해 보이고 잠재 변수에 관심이 있다는 것을 암시하지 않는 것처럼 lmerD-Sep 테스트를 사용하여 평가할 수 있는 부분적인 접근 방식을 원할 수 있습니다 . Shipley, B. (2009)를 참조하십시오. 일반화 된 다중 레벨 컨텍스트에서 확인 경로 분석. 생태학, 생태학, 90, 363-368. 예를 들어 http://dx.doi.org/10.1890/08-1034.1 . 또한 D- 분리 테스트를 계산하는 방법에 대한 부록의 R 코드도 제공합니다.

최대 가능성을 사용하여 잠재 변수 모델링 및 SEM에 실제로 들어가고 싶다면 http://lavaan.org를 확인 하십시오. 잠재적 성장 곡선 모델에 대한 섹션뿐만 아니라 그 기능을 다루는 훌륭한 자습서가 있습니다. 당신은 후입니다.

— 제비 네스
소스