Comment utiliser la régression logistique ordinale avec des effets aléatoires?

Dans mon étude, je mesurerai la charge de travail avec plusieurs mesures. Avec variabilité de la fréquence cardiaque (VRC), activité électrodermique (EDA) et avec une échelle subjective (IWS). Après normalisation, l'IWS a trois valeurs:

Charge de travail inférieure à la normale
La charge de travail est moyenne
La charge de travail est plus élevée que la normale.

Je veux voir dans quelle mesure les mesures physiologiques peuvent prédire la charge de travail subjective.

Par conséquent, je veux utiliser des données de rapport pour prédire les valeurs ordinales. Selon: Comment exécuter une analyse de régression logistique ordinale dans R avec des valeurs numériques / catégorielles? cela se fait facilement en utilisant la MASS:polrfonction.

Cependant, je veux également tenir compte des effets aléatoires tels que les différences entre les sujets, le sexe, le tabagisme, etc. En regardant ce tutoriel , je ne vois pas comment ajouter des effets aléatoires MASS:polr. Alternativement lme4:glmerserait alors une option, mais cette fonction ne permet que la prédiction de données binaires.

Est-il possible d'ajouter des effets aléatoires à une régression logistique ordinale?

— Robin Kramer
source

Vous n'êtes pas obligé d'utiliser des cotes proportionnelles pour ce type de résultat, vous pouvez utiliser des modèles de ratio de continuation et autres. Vous pouvez rechercher le package ordinal disponible auprès de CRAN.

— mdewey

@RobinKramer Veuillez clarifier ce que vous pensez que vous entendez par effets aléatoires. Lorsque les statisticiens disent des effets aléatoires, ils veulent généralement tenir compte du regroupement entre différentes observations. Par exemple, supposons que vous ayez répété des mesures sur les mêmes individus, donc chaque obs est une personne à un certain moment, et vous avez eu 4 observations par personne. Vous devriez sans doute adapter un modèle à effets aléatoires; chaque personne a un effet aléatoire spécifique à la personne (généralement supposé provenir d'une distribution normale). Lorsque vous parlez de sexe, de tabagisme, etc., ceux-ci peuvent généralement être modélisés comme des effets fixes. Alors que voulez-vous dire?

— Weiwen Ng

@WeiwenNg la question est assez ancienne, mais j'avais l'habitude d'utiliser des régressions LME dans lesquelles je plaçais des variables, qui ne m'intéressaient pas (mais qui avaient un effet sur le DV), comme des effets aléatoires. J'ai tenté de faire de même avec ce projet.

— Robin Kramer

@RobinKramer Mon mauvais, je n'ai pas noté la date! Cela dit, je pense toujours qu'il y a une certaine confusion ici. Avez-vous répété des mesures sur les individus? Si c'est le cas, vous devriez probablement inclure une interception aléatoire par personne. Si vous êtes intéressé par l'effet du sexe sur le DV, vous n'aurez probablement qu'à le modéliser comme une covariable normale. Certains diront que le modéliser comme un effet fixe (parce que vous traitez son effet sur le DV comme fixe). Traiter le genre comme un effet aléatoire serait vraiment une confusion ontologique.

— Weiwen Ng

Réponses:

En principe, vous pouvez faire en sorte que la machinerie de n'importe quel logiciel de modèle logistique mixte effectue une régression logistique ordinale en développant la variable de réponse ordinale en une série de contrastes binaires entre les niveaux successifs (par exemple, voir Dobson et Barnett Introduction aux modèles linéaires généralisés, section 8.4.6). Cependant, c'est une douleur, et heureusement, il existe quelques options dans R:

le paquet ordinal , via le clmmetclmm2 fonctions ( clmm= C umulative L encre M ixe M odel)
le package mixeur , via la mixorfonction
le package MCMCglmm , via family="ordinal"(voir ?MCMCglmm)
le package brms , par exemple via family="cumulative"(voir ?brmsfamily)

Les deux dernières options sont implémentées dans les cadres bayésiens MCMC. Pour autant que je sache, toutes les fonctions citées (à l'exception de ordinal::clmm2) peuvent gérer plusieurs effets aléatoires (interceptions, pentes, etc.); la plupart d'entre eux (peut-être pas MCMCglmm?) peuvent gérer des choix de fonction de lien (logit, probit, etc.).

( Si j'ai le temps, je reviendrai et réviserai cette réponse avec un exemple concret de configuration de modèles ordinaux à partir de zéro en utilisantlme4 )

— Ben Bolker
source

Merci pour votre réponse. En fait, j'ai vu quelqu'un utiliser une série de contrastes binaires, mais avec une "équation d'estimation générale". Quel est le lien avec les méthodes que vous avez mentionnées? De plus, lors de plusieurs comparaisons, n'avez-vous pas besoin de corriger le problème des comparaisons multiples?

— Robin Kramer

Une autre façon d'estimer un modèle à effets mixtes avec une réponse ordinale dans R est via la mixorfonction du package de mixage . Cette fonction permet des pentes et des interceptions aléatoires et offre un certain choix sur la fonction de liaison (vous n'êtes pas limité à la régression logistique ordonnée mais pouvez également utiliser les fonctions de lien probit, log-log et log-log complémentaire).

— user206892

Vous souhaitez revenir et ajouter un exemple concret?

— Rétablir Monica

c'est probablement plus difficile que je ne le souhaite ...

— Ben Bolker

Oui, il est possible d'inclure des effets aléatoires dans un modèle de régression ordinale. Conceptuellement, cela revient à inclure des effets aléatoires dans un modèle mixte linéaire. Bien que le site UCLA ne montre que lapolr() fonction dans le MASSpackage, il existe un certain nombre de fonctionnalités pour ajuster des modèles ordinaux dans R. Il y a un aperçu plus large (mais moins détaillé) ici . La seule façon que je sache d'inclure des effets aléatoires dans R utilise le paquet ordinal, cependant. Je travaille à travers un exemple ici: Existe - t-il un test de Friedman bidirectionnel?

— gung - Réintégrer Monica
source