วัดซ้ำแบบจำลองสมการโครงสร้าง

10

ฉันต้องการวิเคราะห์ชุดข้อมูลของข้อมูลการฟื้นฟูสมรรถภาพทางคลินิก ฉันสนใจในความสัมพันธ์ที่ขับเคลื่อนด้วยสมมุติฐานระหว่างปริมาณข้อมูลที่ป้อนเข้า (ปริมาณของการรักษา) และการเปลี่ยนแปลงสถานะสุขภาพ แม้ว่าชุดข้อมูลจะมีขนาดค่อนข้างเล็ก (n ~ 70) เรามีข้อมูลซ้ำ ๆ ที่สะท้อนการเปลี่ยนแปลงทางโลกทั้งคู่ ฉันคุ้นเคยกับการสร้างแบบจำลองเอฟเฟ็กต์ที่ไม่ใช่เชิงเส้นใน R แต่ฉันสนใจในความสัมพันธ์แบบ "เชิงสาเหตุ" ที่อาจเกิดขึ้นระหว่างอินพุตและเอาต์พุตที่นี่และกำลังพิจารณาการประยุกต์ใช้มาตรการซ้ำ ๆ ของ SEM

ฉันขอขอบคุณคำแนะนำว่าหากแพ็คเกจ SEM สำหรับ R (sam, lavaan, openmx?) ใดเหมาะที่สุดกับข้อมูลการวัดซ้ำ ๆ และโดยเฉพาะคำแนะนำสำหรับตำรา (มี "Pinheiro และ Bates" ของฟิลด์หรือไม่) .

r repeated-measures panel-data sem

— RobF
แหล่งที่มา

2

ทำไมคุณถึงคิดว่าคุณต้องการ SEM เลย? หากคุณได้ยินโฆษณาเกินจริงที่ SEM แก้ปัญหาเชิงสาเหตุทั้งหมดมันเป็นเรื่องที่เกินความจริงเพียงการทดลองแบบสุ่มในอุดมคติเท่านั้น ดูข้อมูลอ้างอิงที่ฉันให้ไว้ในคำตอบด้านล่าง

— StasK

1

เมื่อคุณพูดว่า n ~ 70 คุณหมายถึงผู้ป่วย 70 คนที่วัดเมื่อเวลาผ่านไปหรือ 70 ครั้ง (พูด 7 ผู้ป่วยใน 10 ช่วงเวลาที่ต่างกัน) ฉันเพิ่งเรียนรู้ SEM แต่สิ่งหนึ่งที่ฉันสังเกตเห็นมาก่อนก็คือมันถือว่าเป็นชุดข้อมูลขนาดใหญ่

— เวย์น

5

ฉันคิดว่าคุณต้องการโมเดลโค้งการเติบโตแบบซ่อนเร้น ในขณะที่ฉันใช้LISRELสำหรับสิ่งนี้เท่านั้นตัวlavaan package documentationบ่งชี้ที่สามารถใช้เพื่อให้พอดีกับรูปแบบประเภทนี้

ฉันไม่รู้หนังสือใด ๆ ที่มีความเชี่ยวชาญในเรื่องนี้หนังสือที่ฉันทำงานจากสำหรับ SEM ครอบคลุมวิธีการที่หลากหลาย บางทีคนอื่นสามารถตอบคำถามของคุณได้

— มิเชล
แหล่งที่มา

2

(+1) จริง ๆ แล้วกราฟการเติบโตและการผสมของ LV เป็นหนึ่งในหัวข้อ 'ร้อน' ใน SEM หรือไซโครเมทริก หนังสือเหล่านี้ถูกกล่าวถึงในหนังสือเล่มล่าสุดเช่นโมเดลตัวแปรผสมที่แฝงเร้น (Hancock & Samuelsen, 2008) ฉันมีเอกสารอื่น ๆ ในรายการ TOBEREADFORTOOLONG ของฉันและฉันขอแนะนำให้ดูที่ทำงานจากMúthenและ coll. ร่วมกับสิ่งที่ซอฟต์แวร์ Mplus นำเสนอเพื่อวัตถุประสงค์เฉพาะนั้น ถ้าฉันหาเวลาอ่านวรรณกรรมและเปรียบเทียบlavaan/ Mx กับ Mplus ฉันจะโพสต์คำตอบด้วยตัวเอง

— chl

นั่นเป็นสิ่งที่ดีเพราะฉันเพิ่งเรียนรู้รูปแบบการเติบโตที่ซ่อนเร้นและพวกเขาเป็นแบบจำลองที่มีเอกลักษณ์เมื่อเทียบกับ SEM ประเภทอื่น ๆ

— มิเชล

4

ไม่ไม่มี "Pinheiro และ Bates" คุณสามารถค้นหาหนังสือชื่อเช่น "SEM ใช้ AMOS / ลิสเรล / Mplus" แต่ผมไม่ได้ตระหนักถึงการใช้อาร์หนังสือเล่มใดที่ดีที่สุดทางคณิตศาสตร์ที่พูดบน SEM ยังคงBollen (1989) มันเขียนโดยนักสังคมวิทยามากกว่านักชีวสถิติ (แม้ว่าจะเป็นคนดีมาก!) และมันก็มีจุดมุ่งหมายเพื่อนักวิทยาศาสตร์สังคมและมีการอ้างอิงถึงซอฟต์แวร์น้อยมาก (และคุณไม่ต้องการซอฟต์แวร์จากศตวรรษก่อนหน้านี้) . Bollen ยังได้ร่วมเขียนกระดาษที่ดีเมื่อเร็ว ๆ นี้เวรกรรมกับแคว้นยูเดียเพิร์ลดูhttp://ftp.cs.ucla.edu/pub/stat_ser/r393.pdf เท่าที่ฉันสามารถบอกได้Mulaik (2009)ก็ควรจะดีเช่นกัน แต่มันถูกเขียนโดยนักจิตวิทยาสำหรับนักจิตวิทยา

ฉันไม่คิดว่าแพคเกจ sem นั้นยืดหยุ่นพอที่จะใช้งานสิ่งนี้ได้ OpenMx สามารถจัดการกับข้อมูลลำดับ (และผลลัพธ์ไบนารี) แต่ฉันไม่คิดว่าลาวาสามารถทำสิ่งนี้ได้

ซอฟต์แวร์ที่คุณจะได้พบกับแนวคิดที่ง่ายในการจัดการกับอาจจะGLLAMM , แพคเกจที่เขียนขึ้นสำหรับStata nlmeดูวิธีหนึ่งนี้เป็นหลักของชาติ Stata ด้วยการบิดพิเศษ (การอนุญาตให้สัมประสิทธิ์ของเอฟเฟกต์แตกต่างกันไปตามค่าของตัวแปรอื่น ๆ ) มันจะกลายเป็นแพ็คเกจการสร้างแบบจำลองตัวแปรแฝง ทั้งหมดนี้ได้อธิบายไว้ในSkrondal และ Rabe-เก ธ (2004) ... ซึ่งเป็นหนังสือที่ดีต่อ se nlmeที่คุณต้องการที่จะมีแม้ว่าคุณเพียงแค่ทำ

— StasK
แหล่งที่มา

(+1) การอ้างอิงที่ดี (เกี่ยวกับgllammดูวิธีอื่น - จากมุมมองของ psychometrician ที่ใช้ในรูปแบบ IRT: มันเป็นเพียงช้าอย่างน่ากลัว :-)

— chl

@chl เขียนโอกาสของคุณเอง;) นั่นคือสิ่งที่ฉันทำpolychoricเมื่อฉันต้องการมัน

— StasK

2

ในขณะที่คุณรู้สึกสะดวกสบายกับโมเดลผสมแบบเส้นตรงทั่วไปและคุณไม่ได้บอกเป็นนัยว่าคุณสนใจตัวแปรที่ซ่อนเร้นบางทีคุณอาจต้องการใช้วิธีการที่ใช้เป็นชิ้น ๆlmerซึ่งคุณสามารถประเมินโดยใช้การทดสอบ D-Sep ดู Shipley, B. (2009) การวิเคราะห์เส้นทางยืนยันในบริบทหลายระดับทั่วไป นิเวศวิทยานิเวศวิทยา, 90, 363–368 http://dx.doi.org/10.1890/08-1034.1สำหรับตัวอย่าง เขายังให้รหัส R ในภาคผนวกสำหรับวิธีการคำนวณการทดสอบการแยก D

หากคุณต้องการเข้าสู่การสร้างแบบจำลองตัวแปรแฝงและ SEM โดยใช้โอกาสสูงสุดลองดูที่http://lavaan.org - มีแบบฝึกหัดที่ยอดเยี่ยมที่ครอบคลุมความสามารถของมันรวมถึงส่วนของแบบจำลองการเติบโตแบบแฝงเร้นซึ่งอาจเป็นสิ่งที่ดี คุณหลังจาก

— jebyrnes
แหล่งที่มา