Я - эпидемиолог, пытающийся понять GEE, чтобы правильно проанализировать когортное исследование (используя регрессию Пуассона с лог-ссылкой для оценки относительного риска). У меня есть несколько вопросов о «рабочей корреляции», которые я хотел бы прояснить:
(1) Если я проводил повторные измерения в одном и том же человеке, то обычно ли разумнее предполагать заменяемую структуру? (Или авторегрессия, если измерения показывают тренд)? А как насчет независимости - есть ли случаи, когда можно было бы принять независимость для измерений в одном и том же человеке?
(2) Есть ли (достаточно простой) способ оценить правильную структуру путем изучения данных?
(3) Я заметил, что при выборе структуры независимости я получаю те же точечные оценки (но с более низкими стандартными ошибками), что и при выполнении простой регрессии Пуассона (используя R, функцию glm()
и geeglm()
из пакета geepack
). Почему это происходит? Я понимаю, что с GEE вы оцениваете усредненную по населению модель (в отличие от предметной), поэтому вы должны получать одинаковые точечные оценки только в случае линейной регрессии.
(4) Если моя когорта находится в нескольких местах расположения (но одно измерение на человека), я должен выбрать независимость или обменную рабочую корреляцию и почему? Я имею в виду, люди на каждом сайте все еще независимы друг от друга, верно? Так, например, для предметно-ориентированной модели я бы определил сайт как случайный эффект. Однако в случае GEE независимость и взаимозаменяемость дают разные оценки, и я не уверен, какая из них лучше с точки зрения базовых допущений.
(5) Может ли GEE обрабатывать двухуровневую иерархическую кластеризацию, то есть многосайтовую когорту с повторными измерениями на человека? Если да, что я должен указать в качестве переменной кластеризации geeglm()
и какой должна быть рабочая корреляция, если предположить, например, «независимость» для первого уровня (сайт) и «обменную» или «авторегрессию» для второго уровня (отдельный)?
Я понимаю, что это довольно много вопросов, и некоторые из них могут быть довольно простыми, но все же очень трудно для меня (и, возможно, для других новичков?) Понять. Таким образом, любая помощь очень и искренне ценится, и чтобы показать это, я начал щедрость.