แพ็กเกจ R / Stata สำหรับ GEE ลบทวินามลบศูนย์ที่ถูกตัดทอน?

นี่คือโพสต์แรกของฉัน ฉันขอบคุณสำหรับชุมชนนี้อย่างแท้จริง

ฉันพยายามวิเคราะห์ข้อมูลการนับตามยาวที่ไม่มีการตัดทอน (ความน่าจะเป็นที่ตัวแปรตอบสนอง = 0 คือ 0) และค่าเฉลี่ย! = ความแปรปรวนดังนั้นการกระจายแบบทวินามลบจึงถูกเลือกผ่านปัวซอง

ฟังก์ชั่น / คำสั่งที่ฉันได้ตัดออก:

R

• ฟังก์ชั่น gee () ใน R ไม่ได้เป็นศูนย์สำหรับการตัดทอนหรือการแจกแจงแบบทวินามเชิงลบ (แม้จะไม่ได้โหลดแพ็คเกจ MASS)
• glm.nb () ใน R ไม่อนุญาตสำหรับโครงสร้างความสัมพันธ์ที่แตกต่างกัน
• vglm () จากแพ็คเกจ VGAM สามารถใช้ประโยชน์จากตระกูล posnegbinomial แต่มีปัญหาเช่นเดียวกับคำสั่ง ztnb ของ Stata (ดูด้านล่าง) ซึ่งฉันไม่สามารถปรับรูปแบบใหม่โดยใช้โครงสร้างความสัมพันธ์ที่ไม่ขึ้นกับอิสระ

Stata

• หากข้อมูลไม่ยาวฉันสามารถใช้แพ็คเกจ Stata ztnb เพื่อทำการวิเคราะห์ของฉันได้ แต่คำสั่งนั้นจะถือว่าการสังเกตของฉันเป็นอิสระ

ฉันได้จัดการ GLMM ด้วยเหตุผลด้านระเบียบวิธี / ปรัชญาต่างๆ

สำหรับตอนนี้ฉันได้ตัดสินคำสั่ง xtgee ของ Stata (ใช่ฉันรู้ว่า xtnbreg ยังทำสิ่งเดียวกันด้วย) ซึ่งคำนึงถึงโครงสร้างความสัมพันธ์ที่ไม่พึ่งพากันและครอบครัวทวินาม แต่ไม่ใช่ศูนย์ที่ถูกตัดทอน ประโยชน์เพิ่มเติมของการใช้ xtgee คือฉันยังสามารถคำนวณค่า qic (โดยใช้คำสั่ง qic) เพื่อกำหนดโครงสร้างความสัมพันธ์ที่เหมาะสมที่สุดสำหรับตัวแปรตอบสนองของฉัน

หากมีแพ็กเกจ / คำสั่งใน R หรือ Stata ที่สามารถใช้ 1) ครอบครัว nbinomial, 2) GEE และ 3) การตัดทอนศูนย์โดยไม่คำนึงถึงฉันจะตายเพื่อทราบ

ฉันขอขอบคุณความคิดที่คุณมี ขอขอบคุณ.

-Casey

สำหรับตัวเลือกสองตัวที่อยู่ในใจของฤดูใบไม้ผลิซึ่งทั้งสองอย่างนี้ฉันคุ้นเคยกับสิ่งที่ดีที่สุดเท่านั้น

สิ่งแรกคือpsclแพ็คเกจซึ่งสามารถบรรจุโมเดลที่ถูกตัดทอนและอุปสรรค์ให้เป็นศูนย์ได้อย่างดีและมีความยืดหยุ่น psclแพคเกจแสดงให้เห็นการใช้งานของsandwichแพคเกจซึ่งมี "ข้อผิดพลาดประมาณรุ่นแข็งแกร่งมาตรฐานสำหรับการตัดชุดเวลาและข้อมูลระยะยาว" ดังนั้นคุณสามารถใส่แบบจำลองการนับของคุณแล้วใช้sandwichแพคเกจเพื่อประเมินเมทริกซ์ความแปรปรวนร่วมที่เหมาะสมสำหรับส่วนที่เหลือโดยคำนึงถึงลักษณะตามยาวของข้อมูล

ตัวเลือกที่สองอาจจะดูgeepackแพคเกจที่ดูเหมือนว่าจะสามารถทำสิ่งที่คุณต้องการ แต่สำหรับรุ่นทวินามลบกับทีต้าที่รู้จักเพราะมันจะพอดีกับประเภทใด ๆ ของ GLM ที่glm()ฟังก์ชั่นของ R สามารถ (เพื่อใช้ฟังก์ชันครอบครัวจาก MASS) .

ตัวเลือกที่สามเพิ่มระดับความเป็นหัว: gamlssและเป็นแพ็คเกจgamlss.trเสริม หลังมีฟังก์ชั่นgen.trun()ที่สามารถเปลี่ยนการกระจายใด ๆ ที่สนับสนุนโดยgamlss()เป็นการกระจายที่ถูกตัดทอนด้วยวิธีที่ยืดหยุ่น - คุณสามารถระบุการตัดปลายซ้ายที่การแจกแจงแบบทวินามลบ 0 เช่น gamlss()ตัวเองรวมถึงการสนับสนุนสำหรับผลกระทบแบบสุ่มซึ่งควรดูแลธรรมชาติระยะยาวของข้อมูล ไม่ชัดเจนในทันที แต่ถ้าคุณต้องใช้ฟังก์ชัน covariate อย่างน้อยหนึ่งฟังก์ชันในแบบจำลองหรือสามารถสร้างแบบจำลองทุกอย่างในรูปแบบฟังก์ชันเชิงเส้นเช่นใน GLM

อืมคำถามแรกดี! ฉันไม่รู้แพ็คเกจที่ตรงกับความต้องการของคุณ ฉันคิดว่าxtgeeของ Stata เป็นตัวเลือกที่ดีถ้าคุณระบุvce(robust)ตัวเลือกเพื่อให้ข้อผิดพลาดมาตรฐานของ Huber-White หรือvce(bootstrap)ถ้าเป็นจริง ตัวเลือกใดตัวเลือกหนึ่งเหล่านี้จะช่วยให้มั่นใจได้ว่าข้อผิดพลาดมาตรฐานจะได้รับการประเมินอย่างสม่ำเสมอแม้จะมีรูปแบบการสะกดผิดพลาดที่คุณจะต้องทำ

นั่นทำให้คำถามว่าเอฟเฟกต์ที่เพิกเฉยต่อการตัดศูนย์จะมีผลต่อการประเมินจุดที่คุณสนใจ มันคุ้มค่ากับการค้นหาอย่างรวดเร็วเพื่อดูว่ามีวรรณกรรมที่เกี่ยวข้องในเรื่องนี้โดยทั่วไปหรือไม่ไม่จำเป็นต้องอยู่ในบริบทของ GEE - ฉันคิดว่าคุณน่าจะปลอดภัยพอที่จะสรุปว่าผลลัพธ์ดังกล่าวจะมีความเกี่ยวข้องในกรณี GEE หากคุณไม่พบอะไรเลยคุณสามารถจำลองข้อมูลด้วยการตัดศูนย์และประเมินผลกระทบที่รู้จักและประเมินอคติโดยการจำลอง

ฉันมีปัญหาเดียวกันในวิทยานิพนธ์ของฉัน ใน Stata ฉันเพิ่งสร้างโปรแกรม. ado ที่กำหนดเองโดยใช้ xtgee สองสาย

สำหรับสิ่งนี้ฉันพบว่าสไลด์"โปรแกรมจำลองการดูแลสุขภาพและจำนวนค่าใช้จ่าย"โดย Partha Deb, Willard Manning และ Edward Norton มีประโยชน์ พวกเขาไม่ได้พูดถึงข้อมูลระยะยาว แต่เป็นจุดเริ่มต้นที่มีประโยชน์

ฉันกำลังมองหาคำตอบในการตีความ glmmADMB และฉันเห็นโพสต์ของคุณ ฉันรู้ว่ามันนานมาแล้ว แต่ฉันอาจมีคำตอบ

ดูในแพ็คเกจ glmmADMB เมื่อใช้รุ่นที่มีอุปสรรค์ คุณต้องแบ่งการวิเคราะห์ข้อมูลของคุณออกเป็นสองแบบ: หนึ่งในนั้นใช้ข้อมูลที่ไม่มีศูนย์ คุณสามารถเพิ่มเอ็ฟเฟ็กต์แบบผสมและเลือกการกระจาย เงื่อนไขคือข้อมูลจะต้องเป็นศูนย์พองตัวและฉันไม่ทราบว่าสิ่งนี้เหมาะกับความต้องการของคุณ! ยังไงก็ตามฉันหวังว่าคุณจะได้รู้มานานแล้ว!