Непараметрическая многофакторная анова с повторными измерениями в R?

Следующий вопрос - один из тех святых Граалей для меня в течение некоторого времени, я надеюсь, что кто-то сможет дать хороший совет.

Я хочу выполнить непараметрические повторные измерения многоходового анова с использованием R.

Некоторое время я занимался поиском и чтением в Интернете и до сих пор смог найти решения только для некоторых случаев: тест Фридмана для односторонних непараметрических повторных измерений anova, порядковая регрессия с функцией {car} Anova для многопараметрических непараметрических параметров анова и тд. Частичные решения - это НЕ то, что я ищу в этой теме. Я кратко изложил свои выводы в публикации, которую я опубликовал некоторое время назад (под названием: Повторные измерения ANOVA с помощью R (функции и учебные пособия) , на случай, если это кому-нибудь поможет)

Если то, что я читаю онлайн, верно, то эта задача может быть решена с использованием смешанной модели ординальной регрессии (иначе говоря, модели пропорциональных шансов).

Я нашел две посылки, которые кажутся актуальными, но не смог найти ни одной виньетки на эту тему:

• http://cran.r-project.org/web/packages/repolr/
• http://cran.r-project.org/web/packages/ordinal/

Так что, будучи новичком в предмете, я надеялся на некоторые указания от людей здесь.

Есть ли какие-либо учебные пособия / предлагаемые чтения по этому вопросу? Более того, может ли кто-нибудь предложить простой пример кода для запуска и анализа этого в R (например, «непараметрические повторные измерения multiway anova»)?

В пакете ez , автором которого я являюсь, есть функция ezPerm (), которая вычисляет тест перестановки, но, вероятно, не выполняет взаимодействия должным образом (документация допускает столько же). В последней версии есть функция ezBoot (), которая позволяет вам выполнить повторную выборку при начальной загрузке, которая учитывает повторяющиеся измерения (путем повторной выборки субъектов, а затем внутри объектов), либо используя традиционные средства ячейки в качестве статистики прогноза, либо используя моделирование смешанных эффектов для создания прогнозов для каждой ячейки в дизайне. Я до сих пор не уверен, насколько «непараметрически» загрузочные CI из предсказаний модели со смешанными эффектами; моя интуиция заключается в том, что их разумно считать непараметрическими, но моя уверенность в этой области низка, учитывая, что я все еще изучаю модели смешанных эффектов.

Если есть сомнения, начальная загрузка! На самом деле, я не знаю какой-либо постоянной процедуры для такого сценария.

Начальная загрузка является общепринятым способом генерации некоторых параметров ошибок из имеющихся данных. Вместо того, чтобы полагаться на типичные параметрические допущения, процедуры начальной загрузки используют характеристики выборки для создания эмпирического распределения, с которым можно сравнивать оценки выборки.

Google ученый - это золото ... это было сделано раньше ... хотя бы раз.

Луннеборг, Клиффорд Э .; Tousignant, Джеймс П .; 1985 «Бутстрап Эфрона с применением к дизайну повторных измерений». Многомерное поведенческое исследование; Apr85, Vol. 20 Выпуск 2, с161, 18р

На некоторых форумах и в списках рассылки упоминается «трюк», о котором я также упоминал в книге Джупа Хокса «Многоуровневый анализ» (второе издание, 2010 г.), с. 189.

Идея такова: вы переформатируете свои длинные данные в длинный длинный набор данных, в котором вы создаете новый DV, который включает в себя все ваши ответы DV, и используете индексную переменную, которая содержит информацию о природе DV, чтобы предсказать этот результат.

Предположим, у вас есть 9 симптомов депрессии (порядковый номер), 2 точки измерения и 300 субъектов. Таким образом, в то время как у вас есть 300 строк в вашем обычном наборе данных, и в вашем длинном наборе данных у вас будет 600 строк, этот новый набор данных будет иметь 9 (симптомы) x 2 (время) x 300 (субъектов) строк.

Новая переменная DV «симптомы» теперь содержит серьезность симптомов участников по 9 симптомам, переменные «индекс» содержат информацию о характере симптома (от 1 до 9), а затем есть две переменные «время» и «время». ID пользователя".

Теперь вы можете использовать ordinalпакет для запуска этого.

data<-read.csv("data_long_long.csv", head=T)

data$symptoms <- factor(data$symptoms)
data$time <- factor(data$time)
data$index <-factor(data$index)

m1<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)

В моем конкретном случае мне было интересно, было ли существенное взаимодействие между индексом и временем, поэтому я запустил одну дополнительную модель и сравнил их:

m2<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)
anova(m1,m2)

CLMM2 использует модель случайного перехвата (насколько мне известно, пакет ordinalне делает случайных уклонов), если вы не используете модель случайного перехвата, вы можете вместо этого запускать модели с использованием CLM, например:

m3<-clm(symptoms ~ index+time, data = data)