Lặp đi lặp lại các biện pháp mô hình hóa phương trình cấu trúc

10

Tôi cần phân tích một bộ dữ liệu của dữ liệu phục hồi lâm sàng. Tôi quan tâm đến các mối quan hệ dựa trên giả thuyết giữa "đầu vào" được định lượng (lượng trị liệu) và những thay đổi về tình trạng sức khỏe. Mặc dù bộ dữ liệu tương đối nhỏ (n ~ 70), chúng tôi đã lặp lại dữ liệu phản ánh những thay đổi theo thời gian ở cả hai. Tôi quen thuộc với mô hình hiệu ứng hỗn hợp phi tuyến tính trong R tuy nhiên tôi quan tâm đến mối quan hệ "nhân quả" tiềm năng giữa đầu vào và đầu ra ở đây và do đó đang xem xét các ứng dụng đo lường lặp đi lặp lại của SEM

Tôi đánh giá cao lời khuyên về việc nếu bất kỳ gói SEM nào cho R (sam, lavaan, openmx?) Phù hợp nhất với dữ liệu đo lặp lại và đặc biệt là các khuyến nghị cho sách giáo khoa (có "Pinheiro và Bates" của trường không?) .

r repeated-measures panel-data sem

— Cướp
nguồn

2

Tại sao bạn nghĩ rằng bạn cần SEM, tất cả? Nếu bạn nghe thấy sự cường điệu rằng SEM giải quyết tất cả các vấn đề nguyên nhân, thì đó là một sự vượt trội, chỉ có các thí nghiệm ngẫu nhiên lý tưởng mới làm được. Xem tài liệu tham khảo tôi đã đưa ra trong câu trả lời của tôi dưới đây.

— StasK

1

Khi bạn nói n ~ 70, bạn có nghĩa là 70 bệnh nhân được đo theo thời gian, hoặc 70 lần đo (nói 7 bệnh nhân ở 10 thời điểm khác nhau)? Tôi mới học SEM, nhưng có một điều tôi nhận thấy cho đến nay là nó giả định các bộ dữ liệu lớn (chúng nói từ 200+ trở lên), vì vậy bạn có thể sẽ tự làm mình bực mình / tự lừa dối mình.

— Wayne

5

Tôi nghĩ rằng bạn muốn một mô hình đường cong tăng trưởng tiềm ẩn. Mặc dù tôi chỉ sử dụng LISRELcho việc này, lavaan package documentationnhưng nó cho biết nó có thể được sử dụng để phù hợp với loại mô hình này.

Tôi không biết về bất kỳ cuốn sách nào chuyên về chủ đề này, cuốn sách tôi đang làm việc cho SEM bao gồm một loạt các phương pháp. Có lẽ ai đó khác có thể trả lời khía cạnh đó của câu hỏi của bạn.

— Michelle
nguồn

2

(+1) Thật vậy, đường cong tăng trưởng và mô hình LV hỗn hợp là một trong những chủ đề 'nóng' nhất trong SEM hoặc tâm lý học; chúng được đề cập trong một số cuốn sách gần đây, như Mô hình hỗn hợp biến đổi tiềm ẩn (Hancock & Samuelsen, 2008). Tôi có các giấy tờ khác trong danh sách TOBEREADFORTOOLONG của mình và tôi khuyên bạn nên xem công việc từ Múthen và coll., Cùng với những gì phần mềm Mplus cung cấp cho mục đích cụ thể đó . Nếu tôi tìm thấy thời gian để đọc lại tài liệu và so sánh lavaan/ Mx với Mplus, tôi sẽ tự trả lời.

— chl

Điều đó sẽ tốt, bởi vì tôi chỉ mới học các mô hình đường cong tăng trưởng tiềm ẩn và chúng thực sự là một mô hình khá độc đáo so với các loại SEM khác.

— Michelle

4

Không, không có "Pinheiro và Bates". Bạn có thể tìm thấy một số cuốn sách có tiêu đề như "SEM sử dụng AMOS / LISREL / Mplus", nhưng tôi không biết về bất kỳ cuốn sách nào sử dụng R. Cuốn sách hay nhất, nói về mặt toán học, trên SEM vẫn là Bollen (1989) . Nó được viết bởi một nhà xã hội học chứ không phải là nhà sinh học (mặc dù rất tốt!), Và vì vậy, nhằm vào các nhà khoa học xã hội, và có một vài tài liệu tham khảo về phần mềm (dù sao bạn cũng không muốn phần mềm này từ một phần tư thế kỷ trước) . Gần đây, Bollen cũng là đồng tác giả của một bài báo hay về quan hệ nhân quả với Judea Pearl, xem http://ftp.cs.ucla.edu/pub/stat_ser/r393.pdf . Theo như tôi có thể nói, Mulaik (2009) cũng tốt, nhưng nó được viết bởi một nhà tâm lý học cho các nhà tâm lý học.

Tôi không nghĩ gói sem đủ linh hoạt để chạy loại công cụ này. OpenMx có thể xử lý dữ liệu thứ tự (và do đó kết quả nhị phân), nhưng tôi không nghĩ rằng lavaan có thể làm điều này.

Phần mềm mà về mặt khái niệm bạn sẽ thấy dễ xử lý nhất có thể là GLLAMM , một gói được viết cho Stata . Nhìn theo một cách, đây thực chất là một hóa thân của Stata nlme. Với một điều chỉnh bổ sung (cho phép các hệ số của các hiệu ứng ngẫu nhiên thay đổi tùy theo giá trị của các biến khác), nó trở thành một gói mô hình biến tiềm ẩn. Tất cả điều này được mô tả trong Skrondal và Rabe-Hesketh (2004) ... đó là một cuốn sách tuyệt vời mà bạn muốn có ngay cả khi bạn chỉ cần làm nlme.

— StasK
nguồn

(+1) Tài liệu tham khảo tốt đẹp. (Giới thiệu gllamm, đã xem một cách khác - từ quan điểm của một nhà tâm lý học được sử dụng cho các mô hình IRT: nó chỉ chậm kinh khủng :-)

— chl

@chl, viết khả năng của riêng bạn;). Đó là những gì tôi đã làm với polychoric, ví dụ, khi tôi cần nó.

— StasK

2

Vì bạn có vẻ thoải mái với các mô hình hỗn hợp tuyến tính tổng quát và dường như bạn không ngụ ý rằng bạn quan tâm đến các biến tiềm ẩn, có lẽ bạn có thể muốn thực hiện một cách tiếp cận từng phần bằng cách sử dụng lmermà bạn có thể đánh giá bằng cách sử dụng thử nghiệm D-Sep. Xem Shipley, B. (2009). Phân tích đường dẫn xác nhận trong một bối cảnh đa cấp tổng quát. Sinh thái học, Sinh thái học, 90, 363 Bóng368. http://dx.doi.org/10.1890/08-1034.1 làm ví dụ. Ông cũng cung cấp mã R trong phần phụ lục về cách tính toán phép thử D-Tách.

Nếu bạn thực sự muốn tham gia mô hình biến thiên tiềm ẩn và SEM bằng khả năng tối đa, hãy xem http://lavaan.org - có một hướng dẫn tuyệt vời bao gồm các khả năng của nó cũng như một phần về các mô hình đường cong tăng trưởng tiềm ẩn cũng có thể là những gì bạn đang theo đuổi

— jitherrnes
nguồn