Melhor método para criar gráficos de crescimento

Eu tenho que criar gráficos (semelhantes aos gráficos de crescimento) para crianças de 5 a 15 anos (apenas 5,6,7 etc; não existem valores fracionários como 2,6 anos) para uma variável de saúde que não seja negativa, contínua e o intervalo de 50 a 150 (com apenas alguns valores fora desse intervalo). Eu tenho que criar curvas de percentil 90, 95 e 99 e também criar tabelas para esses percentis. O tamanho da amostra é de cerca de 8000.

Eu verifiquei e encontrei as seguintes maneiras possíveis:

1. Encontre quantis e use o método loess para obter uma curva suave desses quantis. O grau de suavidade pode ser ajustado pelo parâmetro 'span'.

2. Use o método LMS (Lambda-Mu-Sigma) (por exemplo, usando pacotes gamlss ou VGAM em R).

3. Use regressão quantílica.

4. Use a média e o DP de cada faixa etária para estimar o percentil para essa idade e criar curvas de percentil.

Qual é a melhor maneira de fazer isso? Por "melhor", quero dizer o método ideal que é o método padrão para a criação de tais curvas de crescimento e seria aceitável para todos. Ou um método mais fácil e mais simples de implementar, que pode ter algumas limitações, mas é um método aceitável e mais rápido. (Por exemplo, usar loess em valores de percentil é muito mais rápido que usar o LMS do pacote gamlss).

Além disso, qual será o código R básico para esse método.

Obrigado pela ajuda.

Existe uma grande literatura sobre curvas de crescimento. Na minha opinião, existem três abordagens "principais". Nos três, o tempo é modelado como um spline cúbico restrito com um número suficiente de nós (por exemplo, 6). Este é um paramétrico mais suave, com excelente desempenho e fácil interpretação.

1. Modelos clássicos de curva de crescimento (mínimos quadrados generalizados) para dados longitudinais com um padrão de correlação sensível como AR1 em tempo contínuo. Se você puder mostrar que os resíduos são gaussianos, poderá obter MLEs dos quantis usando as médias estimadas e o desvio padrão comum.
2. Regressão quantílica. Isso não é eficiente para não grande . Embora a precisão não seja ótima, o método faz suposições mínimas (porque as estimativas para um quantil não estão conectadas às estimativas de um quantil diferente) e é imparcial.$n$
3. Regressão ordinal. Isso trata contínuo como ordinal para ser robusto, usando modelos semi-paramétricos, como o modelo de chances proporcionais. Nos modelos ordinais, você pode estimar a média e quaisquer quantis, este último apenas se for contínuo.$Y$$Y$

Regressão do processo gaussiano . Comece com o kernel exponencial ao quadrado e tente ajustar os parâmetros a olho nu. Mais tarde, se você quiser fazer as coisas corretamente, experimente diferentes kernels e use a probabilidade marginal para otimizar os parâmetros.

Se você quiser mais detalhes do que o tutorial vinculado acima fornece, este livro é ótimo .