Một Anova lặp đi lặp lại các biện pháp đa chiều trong R?

Câu hỏi sau đây là một trong những hạt thánh cho tôi một thời gian, tôi hy vọng ai đó có thể đưa ra một lời khuyên tốt.

Tôi muốn thực hiện một biện pháp lặp lại không tham số nhiều lần bằng cách sử dụng R.

Tôi đã thực hiện một số tìm kiếm và đọc trực tuyến một thời gian và cho đến nay tôi chỉ có thể tìm ra giải pháp cho một số trường hợp: thử nghiệm Friedman cho một cách không lặp lại các phép đo anova, hồi quy thứ tự với {car} Hàm Anova cho đa phương thức anova, vân vân. Các giải pháp một phần KHÔNG phải là những gì tôi đang tìm kiếm trong chuỗi câu hỏi này. Tôi đã tóm tắt những phát hiện của tôi cho đến nay trong một bài đăng tôi đã xuất bản cách đây một thời gian (có tiêu đề: Các biện pháp lặp đi lặp lại ANOVA với R (chức năng và hướng dẫn) , trong trường hợp nó sẽ giúp được bất cứ ai)

Nếu những gì tôi đọc trực tuyến là đúng, thì nhiệm vụ này có thể đạt được bằng cách sử dụng mô hình Hồi quy thông thường hỗn hợp (hay còn gọi là Mô hình tỷ lệ cược tỷ lệ).

Tôi tìm thấy hai gói có vẻ phù hợp, nhưng không thể tìm thấy bất kỳ họa tiết nào về chủ đề này:

• http://cran.r-project.org/web/packages/repolr/
• http://cran.r-project.org/web/packages/ordinal/

Vì vậy, mới đối với vấn đề này, tôi đã hy vọng một số hướng từ những người ở đây.

Có bất kỳ hướng dẫn / gợi ý đọc về chủ đề này? Thậm chí tốt hơn, ai đó có thể đề xuất một mã ví dụ đơn giản về cách chạy và phân tích mã này trong R (ví dụ: "các biện pháp lặp lại không tham số multiway anova")?

Các ez gói, trong đó tôi là tác giả, có chức năng gọi ezPerm () mà tính một thử nghiệm hoán vị, nhưng có lẽ không làm tương tác đúng cách (các tài liệu hướng dẫn thừa nhận càng nhiều). Phiên bản mới nhất có chức năng gọi là ezBoot (), cho phép bạn thực hiện thay đổi kích thước bootstrap có tính đến các biện pháp lặp đi lặp lại (bằng cách lấy lại đối tượng, sau đó trong các đối tượng), sử dụng ô truyền thống có nghĩa là thống kê dự đoán hoặc sử dụng mô hình hiệu ứng hỗn hợp để đưa ra dự đoán cho mỗi tế bào trong thiết kế. Tôi vẫn không chắc chắn các CIs bootstrap "không tham số" từ các dự đoán mô hình hiệu ứng hỗn hợp như thế nào; Trực giác của tôi là họ có thể được coi là không tham số một cách hợp lý, nhưng sự tự tin của tôi trong lĩnh vực này là thấp do tôi vẫn đang tìm hiểu về các mô hình hiệu ứng hỗn hợp.

Khi nghi ngờ, bootstrap! Thực sự, tôi không biết về một quy trình đóng hộp để xử lý một kịch bản như vậy.

Bootstrapping là cách áp dụng chung để tạo một số tham số lỗi từ dữ liệu hiện có. Thay vì dựa vào các giả định tham số điển hình, các quy trình bootstrap tận dụng các đặc điểm của mẫu để tạo phân phối theo kinh nghiệm dựa vào đó ước tính mẫu của bạn có thể được so sánh.

Học giả Google là vàng ... nó đã được thực hiện trước đó ... ít nhất một lần.

Lunneborg, Clifford E.; Tousignant, James P.; 1985 "Bootstrap của Efron với ứng dụng cho thiết kế các biện pháp lặp đi lặp lại." Nghiên cứu hành vi đa biến; Tháng Tư85, Tập. 20 Số 2, p161, 18p

Có một "mánh khóe" được đề cập trong một số diễn đàn và danh sách gửi thư - tôi cũng thấy nó được đề cập trong cuốn sách "Phân tích đa cấp" của Joop Hox (ấn bản thứ hai, 2010), trang 189.

Ý tưởng là: bạn định dạng lại dữ liệu dài của bạn thành một tập dữ liệu dài, trong đó bạn tạo một DV mới bao gồm tất cả các phản hồi DV của bạn và sử dụng biến chỉ số chứa thông tin về bản chất của DV để dự đoán kết quả này.

Giả sử bạn có 9 triệu chứng trầm cảm (thứ tự), 2 điểm đo và 300 đối tượng. Vì vậy, trong khi bạn có 300 hàng trong tập dữ liệu thông thường và trong tập dữ liệu dài của bạn, bạn sẽ có 600 hàng, tập dữ liệu mới này sẽ có 9 hàng (triệu chứng) x 2 (thời gian) x 300 (đối tượng).

Biến "triệu chứng" DV mới hiện chứa mức độ nghiêm trọng của triệu chứng của người tham gia đối với 9 triệu chứng, biến "chỉ số" chứa thông tin về bản chất của triệu chứng (1 đến 9), và sau đó có hai biến "thời gian" và " Tên người dùng".

Bây giờ bạn có thể sử dụng ordinalgói để chạy này.

data<-read.csv("data_long_long.csv", head=T)

data$symptoms <- factor(data$symptoms)
data$time <- factor(data$time)
data$index <-factor(data$index)

m1<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)

Trong trường hợp cụ thể của tôi, tôi quan tâm liệu có sự tương tác đáng kể giữa chỉ số và thời gian hay không, vì vậy tôi đã chạy một mô hình bổ sung và so sánh chúng:

m2<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)
anova(m1,m2)

CLMM2 sử dụng mô hình chặn ngẫu nhiên (theo hiểu biết tốt nhất của tôi, gói ordinalkhông thực hiện độ dốc ngẫu nhiên), nếu bạn không sử dụng mô hình chặn ngẫu nhiên, bạn có thể chạy các mô hình thay vì sử dụng CLM, ví dụ:

m3<-clm(symptoms ~ index+time, data = data)