Modelos longitudinais em R e WINBUGS ou JAGS

8

Eu tentei usar R para ajustar alguns modelos longitudinais, principalmente via lmere nlmepackages. No entanto, parece que faltam muitos modelos padrão, como modelos de antedependência ou modelos de análise fatorial para matrizes de covariância. Esses modelos estão prontamente disponíveis no SAS.

Alguém recomendaria outros pacotes para o trabalho em R? Realmente não me importo se trabalho em um mundo frequentista ou bayesiano, desde que tenha mais flexibilidade de modelagem. Eu também estaria interessado em fazer isso no WINBUGS / JAGS.

r jags panel-data Antonio Pedro Ramos
fonte
1
Difícil aconselhar - talvez você deva postar um link ou especificar detalhadamente quais modelos você gostaria de usar. Você pode fazer qualquer coisa no WINBUGS / JAGS porque você mesmo escreve o modelo; portanto, se você sabe exatamente o que deseja, pode fazê-lo.
Curioso
1
Além disso, se você estiver procurando flexibilidade de modelagem, definitivamente escolha WINBUGS / JAGS. Em R, você só pode fazer o que eles prepararam para você, mas em bayesiano você é absolutamente livre para fazer qualquer coisa (pelo preço do tempo de aprendizado e precisa entender muito bem os modelos).
Curioso
Vejo que você também fez essa pergunta em [email protected]... é melhor não postar em cruz ou pelo menos declarar explicitamente que você está postando em cruz. (Eu acho que r-sig-mixed-modelspode vir a ser mais frutífero.)
Ben Bolker
Eu tenho vários conjuntos de dados e gostaria de experimentar diferentes estruturas de covariâncias. Não tenho um modelo único e específico que gostaria de ajustar, mas gostaria de experimentar a maioria dos modelos básicos, como os disponíveis no SAS support.sas.com/rnd/app/papers/glimmix.pdf
1
A propósito, isso pode ser melhor para o site de estatísticas Stack Exchange, pois trata-se mais de encontrar pacotes úteis para esse propósito estatístico específico do que de criar novo código em R. Como tal, pode haver um público muito mais relevante nesse site. .
Iterator

Respostas:

0

Não sei ao certo o que você quer dizer com R não ter "modelos analíticos de fator para matrizes de covariância" - você pode esclarecer o que gostaria de reproduzir no SAS? Que eu saiba, isso é possível com muitos pacotes diferentes no R.

Em relação aos modelos antedependentes, há um livro sobre esse mesmo tópico que associou códigos e exemplos R, no site do primeiro autor .

Não tenho certeza se o WinBUGS lhe dará alguma sorte, mas eu começaria com o livro mencionado - parece ser autoritário em modelos antedependentes. :)

Iterador
fonte
1
Presumivelmente, o OP deseja as estruturas de covariância aqui: support.sas.com/documentation/cdl/en/statug/63033/HTML/default/… ... estas podem, em princípio, ser construídas através da corClassesinstalação nlme, mas não é trivial e até onde eu sei não foi feito ...
Ben Bolker
Quero dizer que o SAS tem muito mais opções para estruturas de covariância do que nlme no R, e todas elas são maduras; comparar: support.sas.com/rnd/app/papers/glimmix.pdf com stat.ethz.ch/R-manual/R-devel/library/nlme/html/corClasses.html
Também estou familiarizado com o livro mencionado, mas para mim parece mais um livro de teoria com algum código R, mas sem um pacote R maduro.
Sem ofensa, mas é impreciso dizer "opções para estruturas de covariância" - presumo que você queira dizer que o SAS tem mais opções para especificar as estruturas de covariância na estimativa dos parâmetros de certos tipos de modelos paramétricos, correto? Mas não estamos fazendo muito progresso aqui: o que você deseja alcançar? Examinei a documentação do GLMMIX (que é um pouco pobre do ponto de vista estatístico - muito brilho, pouca matemática). O que você realmente gostaria de fazer? (continuação)
Iterador
0

Eu acredito que, com uma ligeira curva de aprendizado, você pode usar um dos pacotes de SEM em R: lavaan, OpenMXou sem. Estou apenas aprendendo sobre o SEM e esses pacotes, mas parece-me que lavaantem uma sintaxe de fórmula semelhante à outra modelagem ( lm, lmer) no R, e o SEM permite que você faça muitas coisas com sua estrutura de covariância.

Wayne
fonte