¿Una no-paramétrica de medidas repetidas Anova multidireccional en R?

La siguiente pregunta es uno de esos santos griales para mí desde hace un tiempo, espero que alguien pueda ofrecer un buen consejo.

Deseo realizar una anova multiway de medidas repetidas no paramétricas utilizando R.

He estado haciendo algunas búsquedas y lecturas en línea durante algún tiempo, y hasta ahora pude encontrar soluciones solo para algunos de los casos: prueba de Friedman para medidas repetidas no paramétricas unidireccionales anova, regresión ordinal con la función Anova de {car} para funciones multiparamétricas no paramétricas anova, y así sucesivamente. Las soluciones parciales NO son lo que estoy buscando en este hilo de preguntas. He resumido mis hallazgos hasta ahora en una publicación que publiqué hace algún tiempo (titulada: ANOVA de medidas repetidas con R (funciones y tutoriales) , en caso de que ayude a alguien)

Si lo que leo en línea es cierto, esta tarea podría lograrse utilizando un modelo mixto de regresión ordinal (también conocido como: Modelo de probabilidades proporcionales).

Encontré dos paquetes que parecen relevantes, pero no pude encontrar ninguna viñeta sobre el tema:

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

Al ser nuevo en el tema, esperaba algunas instrucciones de la gente de aquí.

¿Hay tutoriales / lecturas sugeridas sobre el tema? Aún mejor, ¿alguien puede sugerir un código de ejemplo simple sobre cómo ejecutar y analizar esto en R (por ejemplo: "medidas repetidas no paramétricas de múltiples vías anova")?

El paquete ez , del cual soy el autor, tiene una función llamada ezPerm () que calcula una prueba de permutación, pero probablemente no hace las interacciones correctamente (la documentación admite tanto). La última versión tiene una función llamada ezBoot (), que le permite realizar un remuestreo de arranque que tiene en cuenta las medidas repetidas (mediante el remuestreo de sujetos, luego dentro de los sujetos), ya sea utilizando medios celulares tradicionales como el estadístico de predicción o utilizando modelos de efectos mixtos para hacer predicciones para cada celda en el diseño. Todavía no estoy seguro de cuán "no paramétricos" son los CI de arranque de las predicciones del modelo de efectos mixtos; mi intuición es que podrían considerarse razonablemente no paramétricos, pero mi confianza en esta área es baja dado que todavía estoy aprendiendo sobre modelos de efectos mixtos.

En caso de duda, bootstrap! Realmente, no conozco un procedimiento fijo para manejar tal escenario.

Bootstrapping es una forma generalmente aplicable de generar algunos parámetros de error a partir de los datos disponibles. En lugar de confiar en los supuestos paramétricos típicos, los procedimientos de arranque aprovechan las características de la muestra para generar una distribución empírica con la que se pueden comparar sus estimaciones de muestra.

Google Scholar es oro ... se ha hecho antes ... al menos una vez.

Lunneborg, Clifford E .; Tousignant, James P .; 1985 "Bootstrap de Efron con aplicación al diseño de medidas repetidas". Investigación conductual multivariante; Abr85, vol. 20 Edición 2, p161, 18p

Hay un "truco" mencionado en algunos foros y listas de correo. También lo encontré mencionado en el libro de Joop Hox "Análisis multinivel" (segunda edición, 2010), págs. 189.

La idea es: reformatee sus datos largos en un conjunto de datos largo y largo en el que cree un nuevo DV que incluya todas sus respuestas de DV, y use una variable de índice que contenga información sobre la naturaleza de los DV para predecir este resultado.

Supongamos que tiene 9 síntomas de depresión (ordinal), 2 puntos de medición y 300 sujetos. Entonces, si bien tiene 300 filas en su conjunto de datos normal, y en su conjunto de datos largo tendrá 600 filas, este nuevo conjunto de datos tendrá 9 (síntomas) x 2 (tiempo) x 300 (sujetos) filas.

Los nuevos "síntomas" de la variable DV ahora contienen la gravedad de los síntomas de los participantes con 9 síntomas, las variables "índice" contienen la información sobre la naturaleza del síntoma (1 a 9), y luego están las dos variables "tiempo" y " ID de usuario ".

Ahora puede usar el ordinalpaquete para ejecutar esto.

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)

En mi caso específico, me interesaba saber si había una interacción significativa entre el índice y el tiempo, por lo que ejecuté un modelo adicional y los comparé:

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

CLMM2 usa un modelo de intercepción aleatoria (que yo sepa, el paquete ordinalno tiene pendientes aleatorias), si no lo hace para un modelo de intercepción aleatoria, puede ejecutar los modelos usando CLM, por ejemplo:

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