Лучший метод для создания диаграмм роста

Я должен создать диаграммы (аналогичные диаграммам роста) для детей в возрасте от 5 до 15 лет (только 5,6,7 и т. Д .; нет дробных значений, таких как 2,6 года) для переменной здоровья, которая является неотрицательной, непрерывной и диапазон 50-150 (только несколько значений за пределами этого диапазона). Я должен создать кривые 90-го, 95-го и 99-го процентиля, а также создать таблицы для этих процентилей. Размер выборки составляет около 8000.

Я проверил и нашел следующие возможные пути:

1. Найдите квантили, а затем используйте метод Лёсса, чтобы получить плавную кривую из этих квантилей. Степень плавности можно регулировать с помощью параметра «span».

2. Используйте метод LMS (Lambda-Mu-Sigma) (например, используя пакеты gamlss или VGAM в R).

3. Используйте квантильную регрессию.

4. Используйте среднее и SD каждой возрастной группы, чтобы оценить процентиль для этого возраста и создать кривые процентиля.

Каков наилучший способ сделать это? Под «лучшим» я подразумеваю либо идеальный метод, который является стандартным методом для создания таких кривых роста и который был бы приемлем для всех. Или проще и проще реализовать метод, который может иметь некоторые ограничения, но является приемлемым, более быстрым методом. (Например, использование loess для значений процентиля намного быстрее, чем использование LMS пакета gamlss).

Также, что будет основным кодом R для этого метода.

Спасибо за вашу помощь.

Существует большая литература по кривым роста. На мой взгляд, есть три «верхних» подхода. Во всех трех случаях время моделируется как ограниченный кубический сплайн с достаточным количеством узлов (например, 6). Это параметрический сглаживатель с отличной производительностью и легкой интерпретацией.

1. Классические модели кривой роста (обобщенные наименьшие квадраты) для продольных данных с разумной моделью корреляции, такой как AR1 с непрерывным временем. Если вы можете показать, что невязки гауссовы, вы можете получить MLE квантилей, используя оценочные средние и стандартное стандартное отклонение.
2. Квантильная регрессия. Это не эффективно для не больших . Хотя точность не является оптимальной, метод делает минимальные предположения (поскольку оценки для одного квантиля не связаны с оценками другого квантиля) и является несмещенным.$n$
3. Порядковый регресс. Это рассматривает непрерывный как порядковый, чтобы быть устойчивым, используя полупараметрические модели, такие как модель пропорциональных шансов. Из порядковых моделей вы можете оценить среднее значение и любой квантиль, последний, только если непрерывен.$Y$$Y$

Гауссовский процесс регрессии . Начните с квадратного экспоненциального ядра и попробуйте настроить параметры на глаз. Позже, если вы хотите сделать все правильно, поэкспериментируйте с разными ядрами и используйте предельную вероятность для оптимизации параметров.

Если вы хотите больше подробностей, чем приведенное выше руководство, эта книга великолепна .