Powtarzane miary modelowania równań strukturalnych

10

Muszę przeanalizować zbiór danych dotyczących rehabilitacji klinicznej. Interesują mnie oparte na hipotezie związki między skwantyfikowanym „wkładem” (ilością terapii) a zmianami stanu zdrowia. Chociaż zbiór danych jest stosunkowo niewielki (n ~ 70), powtórzyliśmy dane odzwierciedlające zmiany czasowe w obu przypadkach. Jestem zaznajomiony z nieliniowym modelowaniem efektów mieszanych w R, jednak interesują mnie potencjalne „przyczynowe” zależności między wkładem i wyjściem, dlatego rozważam zastosowanie SEM w powtarzanych pomiarach

Byłbym wdzięczny za poradę, w którym przypadku którykolwiek z pakietów SEM dla R (sam, lavaan, openmx?) Najlepiej nadaje się do danych z powtarzanymi pomiarami, a szczególnie do podręczników (czy istnieje „Pinheiro i Bates” w tej dziedzinie?) .

RobF
źródło
2
Jak myślisz, dlaczego w ogóle potrzebujesz SEM? Jeśli usłyszałeś szum, że SEM rozwiązuje wszystkie problemy przyczynowe, jest to przesada, robią to tylko idealne randomizowane eksperymenty. Zobacz odniesienie, które podałem w mojej odpowiedzi poniżej.
StasK
1
Kiedy mówisz n ~ 70, masz na myśli 70 pacjentów mierzonych w czasie, czy 70 pomiarów (powiedzmy 7 pacjentów w 10 różnych czasach)? Właśnie uczę się SEM, ale jedną z rzeczy, które do tej pory zauważyłem, jest to, że zakłada on duże zbiory danych (mówią o ponad 200 lub więcej), więc możesz sam siebie sfrustrować / oszukać.
Wayne,

Odpowiedzi:

5

Myślę, że chcesz model ukrytej krzywej wzrostu. Chociaż użyłem tylko LISRELdo tego, lavaan package documentationwskazuje, że można go użyć do dopasowania tego typu modelu.

Nie znam żadnych książek specjalizujących się w tym temacie. Książka, nad którą pracuję dla SEM, obejmuje szereg metod. Być może ktoś inny może odpowiedzieć na ten aspekt twojego pytania.

Michelle
źródło
2
(+1) Rzeczywiście, krzywa wzrostu i modele LV mieszanki są jednymi z „gorących” tematów w SEM lub psychometrii; są one omówione w niektórych ostatnich książkach, takich jak Latent Variable Mixture Models (Hancock i Samuelsen, 2008). Mam inne prace na mojej liście TOBEREADFORTOOLONG i poleciłbym, aby spojrzeć na pracę od Múthen and coll., W połączeniu z tym, co oferuje oprogramowanie Mplus do tego konkretnego celu . Jeśli znajdę trochę czasu, aby ponownie przeczytać literaturę i porównać lavaan/ Mx z Mplus, sam opublikuję odpowiedź.
chl
Byłoby dobrze, ponieważ dopiero nauczyłem się modeli krzywej wzrostu utajonego i są one naprawdę wyjątkowym modelem w porównaniu z innymi typami SEM.
Michelle
4

Nie, nie ma „Pinheiro and Bates”. Można znaleźć wiele książek zatytułowanych „SEM za pomocą AMOS / LISREL / Mplus”, ale nie znam żadnej używającej R. Najlepszą książką, mówiąc matematycznie, o SEM jest nadal Bollen (1989) . Jest napisany przez socjologa, a nie przez biostatystę (choć bardzo dobry!), Więc jest skierowany do naukowców zajmujących się naukami społecznymi i zawiera niewiele odniesień do oprogramowania (i tak nie chcesz oprogramowania sprzed ćwierć wieku temu) . Bollen jest także współautorem ostatnio dobrej pracy na temat związku przyczynowego z Judeą Pearl, patrz http://ftp.cs.ucla.edu/pub/stat_ser/r393.pdf . O ile mogę powiedzieć, Mulaik (2009) też powinien być dobry, ale jest napisany przez psychologa dla psychologów.

Nie sądzę, aby pakiet sem był wystarczająco elastyczny, aby uruchamiać tego typu rzeczy. OpenMx radzi sobie z danymi porządkowymi (i stąd wynikami binarnymi), ale nie sądzę, że Lavaan może to zrobić.

Oprogramowanie, które pod względem koncepcyjnym będzie najłatwiejsze w obsłudze , to GLLAMM , pakiet napisany dla Staty . Z jednej strony jest to zasadniczo wcielenie Staty nlme. Dzięki dodatkowej modyfikacji (pozwalającej, aby współczynniki efektów losowych różniły się w zależności od wartości innych zmiennych), staje się ukrytym pakietem do modelowania zmiennych. Wszystko to opisano w Skrondal i Rabe-Hesketh (2004) ... która jest świetną książką, którą chciałbyś mieć, nawet gdybyś to zrobił nlme.

StasK
źródło
(+1) Ładne referencje. (O gllamm, patrząc z innej perspektywy - z perspektywy psychometrii przyzwyczajonej do modeli IRT: jest po prostu strasznie powolny :-)
chl
@chl, napisz własne prawdopodobieństwo;). Tak właśnie zrobiłem polychoric, na przykład, kiedy tego potrzebowałem.
StasK
2

Ponieważ czujesz się komfortowo z uogólnionymi liniowymi modelami mieszanymi i nie sugerujesz, że jesteś zainteresowany zmiennymi ukrytymi, być może możesz chcieć przyjąć podejście fragmentaryczne, za pomocą lmerktórego możesz następnie ocenić za pomocą testu D-Sep. Patrz Shipley, B. (2009). Analiza ścieżki potwierdzającej w uogólnionym kontekście wielopoziomowym. Ecology, Ecology, 90, 363–368. http://dx.doi.org/10.1890/08-1034.1 na przykład. Podaje również kod R w dodatku, aby obliczyć test D-separacji.

Jeśli naprawdę chcesz dostać się do modelowania zmiennych utajonych i SEM z maksymalnym prawdopodobieństwem, sprawdź http://lavaan.org - tam jest świetny samouczek, który obejmuje jego możliwości, a także sekcja na temat modeli ukrytej krzywej wzrostu, która może być tym, co szukasz

jebyrnes
źródło