Como explicar medidas repetidas no glmer?

Meu design é o seguinte.

$y$ é a resposta de Bernoulli
$x_1$ é uma variável contínua
$x_2$ é uma variável categórica (fator) com dois níveis

O experimento é completamente dentro dos sujeitos. Ou seja, cada sujeito recebe cada combinação de e . $x_1$ $x_2$

Esta é uma configuração de regressão logística de medidas repetidas. O experimento fornecerá duas ogivas para vs , uma para o nível1 e uma para o nível2 de . O efeito de deve ser o do nível 2 comparado ao nível 1, a ogiva deve ter uma inclinação mais rasa e maior interceptação. $p(y=1)$ $x_1$ $x_2$ $x_2$

Estou lutando para encontrar o modelo usando lme4. Por exemplo,

glmer(y ~ x1*x2 + (1|subject), family=binomial)

Tanto quanto eu entendo, a 1|subjectparte diz que subjecté um efeito aleatório. Mas não vejo como especificar que e são variáveis de medidas repetidas. No final, quero um modelo que inclua um efeito aleatório para os sujeitos e forneça inclinações e intercepções estimadas para os níveis 1 e 2. $x_1$ $x_2$

r repeated-measures glmm lme4-nlme

— Bill Simpson
fonte

Há um exemplo de medida repetida nesses slides por D.Bates.

— martin

Qual página das 165 páginas? Aliás, ele também tem capítulos de livros disponíveis.

— Bill Simpson

|subjectespecifica a estrutura de dados (medidas repetidas aninhadas em subject), portanto, você não precisa especificar e . denota interceptação aleatória para cada sujeito (nível 2). Aqui você só pode obter intercepta e encostas (através , por exemplo) para o nível 2.

x_{1}

$x_1$

x_{2}

$x_2$ 1|subjectx1|subject

— Randel

tl; dr: Seu modelo já responde pelo fato de você ter repetido as medidas. No entanto, se for adequado, você faria melhor em usar:

glmer(y ~ x1*x2 + (x1:x2|subject), family=binomial)

mas se isso não for tratável, você pode tentar:

glmer(y ~ x1*x2 + (1|subject) + (0+x1|subject) + (0+x2|subject), family=binomial)

_{Para uma explicação sobre a sintaxe aqui, veja: lmer cábula de R .}

$x_1$ $x_2$

De qualquer forma, em vez de dizer a R que uma variável é medida dentro das pessoas, basta formular um modelo usando efeitos aleatórios e / ou corrigidos para dar conta da não independência dos dados que vêm da mesma pessoa. (Sim, você pode usar um efeito fixo para explicar isso: cada pessoa seria um nível de uma variável categórica incluída. No entanto, isso responderá a uma pergunta ligeiramente diferente - quase certamente não a que você está interessado - e a menos que você tem muitas medidas na mesma pessoa em todas as combinações de condições, o modelo não pode ser tratado.) Na prática, você usará efeitos aleatórios para explicar isso. Especificamente, você terá um efeito aleatório para cada sujeito.

(1|subject) $x_1=0$ $x_1$ ) No entanto, lembre-se de que os GLMMs são mais difíceis computacionalmente que os LMMs, portanto esse modelo pode não ser tratável.

— - Reinstate Monica
fonte