당신은 기본적으로 데이터 구성에 대한 권리입니다. 다음과 같이 구성된 사례가있는 경우 :
ID M1 M2 M3 EVENT
다음과 같이 데이터를 재구성하고 싶을 것입니다.
ID TIME EVENT
1 1 0
1 2 1
1 3 1
2 1 0
2 2 0
. . .
. . .
나는 이것을 와이드 포맷에서 롱 포맷으로의 변환이라고 부른다. R을 사용하면 reshape()
기능을 사용하거나 reshape2
패키지를 사용하여 쉽게 수행 할 수 있습니다 .
나는 개인적 ID
으로 혼합 효과 모델의 변동 원인을 식별하는 데 잠재적으로 사용할 수있는 분야를 유지하려고합니다 . 그러나 이것은 필요하지 않습니다 (@BerndWeiss가 지적한 바와 같이). 다음은 귀하가 원한다고 가정합니다. 그렇지 않은 경우 glm(...,family=binomial)
임의 효과 항이없는 유사한 모형을 적합합니다 .
lme4
R 의 패키지는 주제에 대한 계수의 변동성을 설명하기 위해 임의의 효과 또는 2를 제외하고는 말하고있는 것과 유사한 혼합 효과 로지스틱 회귀 모델에 적합합니다 ( ID
). 다음은 데이터가라는 데이터 프레임에 저장된 경우 예제 모델을 맞추기위한 예제 코드입니다 df
.
require(lme4)
ans <- glmer(EVENT ~ TIME + (1+TIME|ID), data=df, family=binomial)
이 특정 모델은 ID TIME
와 intercept
계수가 ID에 따라 무작위로 변할 수 있도록합니다 . 다시 말해, 이것은 개인에 중첩 된 측정의 계층 적 선형 혼합 모델입니다.
불연속 시간 이벤트 히스토리 모델 의 대체 양식은 TIME
불연속 인형으로 나뉘며 각각을 매개 변수로 적합시킵니다. 위험 곡선이 선형 (또는 2 차, 또는 변환 시간을 상상할 수 있음)으로 제한되지 않기 때문에 이것은 본질적으로 Cox PH 모델 의 개별 사례입니다 . 그러나 TIME
관리 가능한 불연속 기간이 많으면 관리 가능한 세트 (즉, 작은) 로 그룹화 할 수 있습니다.
추가 대안은 위험 곡선을 올바르게 얻기 위해 시간을 변화시키는 것입니다. 이전 방법은 기본적 으로이 작업을 수행하지 않아도되지만 이전 방법은 많은 시점과 따라서 많은 성가신 매개 변수가있을 수 있기 때문에 이것보다 덜 덜 유명합니다 (원래의 선형 사례).
이 주제에 대한 훌륭한 참고 자료는 Judith Singer와 John Willet의 적용되는 종 방향 데이터 분석 : 모델링 변경 및 이벤트 발생 입니다.
self-study
태그 를 추가하십시오 .)