R / Stata пакет для отрицательно усеченного отрицательного бинома GEE?

Это мой первый пост. Я действительно благодарен за это сообщество.

Я пытаюсь проанализировать данные продольного счета, которые укорочены до нуля (вероятность того, что переменная отклика = 0 равна 0), а среднее значение! = Дисперсия, поэтому для пуассона было выбрано отрицательное биномиальное распределение.

Функции / команды, которые я исключил:

р

• Функция gee () в R не учитывает ни усечение нуля, ни отрицательное биномиальное распределение (даже при загруженном пакете MASS)
• glm.nb () в R не допускает различные корреляционные структуры
• vglm () из пакета VGAM может использовать семейство posnegbinomial, но оно имеет ту же проблему, что и команда Stata ztnb (см. ниже), в том смысле, что я не могу перефразировать модели, используя независимую структуру корреляции.

Stata

• Если данные не были продольными, я мог бы просто использовать пакеты Stata ztnb для запуска моего анализа, НО эта команда предполагает, что мои наблюдения независимы.

Я также исключил GLMM по различным методологическим / философским причинам.

На данный момент я остановился на команде Stata xtgee (да, я знаю, что xtnbreg также делает то же самое), которая учитывает как независимые корреляционные структуры, так и семейство отрицательных биномов, но не усечение с нулем. Дополнительным преимуществом использования xtgee является то, что я также могу вычислять значения qic (используя команду qic), чтобы определить наиболее подходящие корреляционные структуры для моих переменных ответа.

Если в R или Stata есть пакет / команда, которая может принимать во внимание 1) семейство nbinomial, 2) GEE и 3) нулевое усечение, я бы хотел знать.

Буду очень признателен за любые ваши идеи. Спасибо.

-Casey

Для R на ум приходят два варианта, с которыми я в лучшем случае слабо знаком.

Первый - это psclпакет, который может очень хорошо и гибко вписаться в модели с укороченным надутым воздухом и препятствием. psclПакет предполагает использование sandwichпакета , который включает в себя «Модели-устойчивые стандартные оценки ошибок для поперечного сечения, временных рядов и продольных данных». Таким образом, вы можете подогнать свою модель подсчета, а затем использовать sandwichпакет для оценки подходящей ковариационной матрицы для остатков, принимая во внимание продольный характер данных.

Второй вариант может выглядеть так: geepackпакет выглядит так, как будто он может делать то, что вы хотите, но только для отрицательной биномиальной модели с известной тэтой, поскольку он будет соответствовать любому типу GLM, который glm()может выполнять функция R (поэтому используйте функцию семейства из MASS) ,

Третий вариант поднял голову: gamlssи это дополнительный пакет gamlss.tr. Последний включает функцию, gen.trun()которая может gamlss()гибко превращать любое из поддерживаемых распределений в усеченное распределение - вы можете указать, например, усечение влево с отрицательным биномиальным распределением 0. gamlss()сама включает в себя поддержку случайных эффектов, которые должны заботиться о продольном характере данных. Однако не сразу понятно, нужно ли вам использовать хотя бы одну гладкую функцию ковариации в модели или вы можете просто моделировать все как линейные функции, как в GLM.

Хм, хороший первый вопрос! Я не знаю о пакете, который соответствует вашим точным требованиям. Я думаю, что Stata's xtgee - хороший выбор, если вы также укажете vce(robust)опцию для выдачи стандартных ошибок Хубера-Уайта или vce(bootstrap)если это практично. Любой из этих вариантов обеспечит постоянную оценку стандартных ошибок, несмотря на неправильную спецификацию модели, которую вы получите, игнорируя нулевое усечение.

Это оставляет вопрос о том, какой эффект игнорирование нулевого усечения окажет на оценку (и) точки, которая вас интересует. Стоит провести быстрый поиск, чтобы увидеть, есть ли соответствующая литература по этому вопросу в целом, то есть не обязательно в контексте GEE - я бы подумал, что вы вполне можете с уверенностью предположить, что любые такие результаты будут актуальны и в случае GEE. Если вы ничего не можете найти, вы всегда можете смоделировать данные с нулевым усечением и известными оценками эффекта и оценить смещение путем моделирования.

У меня была та же проблема в моей диссертации. В Stata я просто создал собственную программу .ado с двумя вызовами xtgee.

Для этого я посчитал полезными слайды / программы «Моделирование расходов на здравоохранение» от Партха Деб, Уилларда Мэннинга и Эдварда Нортона. Они не говорят о продольных данных, но это полезная отправная точка.

Я искал ответы на интерпретацию glmmADMB и увидел твой пост. Я знаю, что это было давно, но у меня может быть ответ.

Посмотрите на пакет glmmADMB при использовании моделей с препятствиями. Вы должны разделить анализ ваших данных на два: один из них обрабатывает только нулевые данные. Вы можете добавить смешанные эффекты и выбрать дистрибутив. Условие состоит в том, что данные должны быть заполнены нулями, и я не знаю, соответствовало ли это вашим требованиям! В любом случае, я надеюсь, что вы узнали это давно!