Modelos longitudinales en R y WINBUGS o JAGS

8

He tratado de utilizar R para adaptarse a algunos modelos longitudinales, sobre todo vía lmery nlmepaquetes. Sin embargo, parece que faltan muchos modelos estándar, como los modelos de antedependencia o los modelos analíticos de factores para matrices de covarianza. Estos modelos están disponibles en SAS.

¿Alguien recomendaría otros paquetes para el trabajo en R? Realmente no me importa si solía trabajar en un mundo bayesiano o frecuentista siempre y cuando tenga más flexibilidad de modelado. También estaría interesado en hacer eso en WINBUGS / JAGS.

r jags panel-data Antonio Pedro Ramos
fuente
1
Difícil de aconsejar, tal vez debería publicar un enlace o especificar en detalle qué modelos le gustaría usar. Puedes hacer cualquier cosa en WINBUGS / JAGS porque escribes el modelo tú mismo, así que si sabes exactamente lo que quieres, puedes hacerlo.
Curioso
1
Además, si está buscando flexibilidad de modelado, definitivamente vaya a WINBUGS / JAGS. En R, solo puedes hacer lo que prepararon para ti, pero en bayesiano eres absolutamente libre de hacer cualquier cosa (por el precio del tiempo de aprendizaje, y necesitas entender muy bien los modelos).
Curioso
Veo que también hizo esta pregunta en [email protected]... es mejor no publicar mensajes cruzados, o al menos declarar explícitamente que está publicando mensajes cruzados. (Creo que r-sig-mixed-modelspodría resultar más fructífero.)
Ben Bolker
Tengo varios conjuntos de datos y me gustaría experimentar con diferentes estructuras de covarianzas. No tengo un solo modelo específico que me gustaría ajustar, pero en su lugar me gustaría probar la mayoría de los básicos, como los disponibles en SAS support.sas.com/rnd/app/papers/glimmix.pdf
1
Por cierto, esto puede ser mejor para el sitio de Stack Exchange de estadísticas, ya que se trata más de encontrar paquetes útiles para este propósito estadístico particular que de crear un nuevo código en R. Como tal, puede haber una audiencia mucho más relevante en ese sitio web .
Iterator

Respuestas:

0

No estoy seguro de qué quiere decir que R no tenga "modelos analíticos de factores para matrices de covarianza". ¿Puede aclarar qué le gustaría reproducir a partir de SAS? Que yo sepa esto es factible con muchos paquetes diferentes en R.

Con respecto a los modelos de antedependencia, hay un libro sobre este mismo tema que tiene códigos R asociados y ejemplos, en el sitio web del primer autor .

No estoy seguro de si WinBUGS te traerá suerte, pero comenzaría con el libro de texto mencionado anteriormente: parece ser autoritario en los modelos de antedependencia. :)

Iterador
fuente
1
Presumiblemente, el OP quiere las estructuras de covarianza aquí: support.sas.com/documentation/cdl/en/statug/63033/HTML/default/… ... estas pueden en principio construirse a través de la corClassesinstalación nlme, pero no es trivial y como por lo que sé, no se ha hecho ...
Ben Bolker
Quiero decir que SAS tiene muchas más opciones para estructuras de covarianza que nlme en R, y todas son maduras; compare: support.sas.com/rnd/app/papers/glimmix.pdf con stat.ethz.ch/R-manual/R-devel/library/nlme/html/corClasses.html
También estoy familiarizado con el libro mencionado, pero para mí se lee más como un libro de teoría con algún código R pero sin un paquete R maduro.
Sin ofender, pero es impreciso decir "opciones para estructuras de covarianza". Supongo que quiere decir que SAS tiene más opciones para especificar las estructuras de covarianza al estimar los parámetros de ciertos tipos de modelos paramétricos, ¿correcto? Pero no estamos avanzando mucho aquí: ¿qué es lo que quieres lograr? He leído la documentación de GLMMIX (que es bastante lamentable desde una perspectiva estadística: mucho brillo, no muchas matemáticas). ¿Qué te gustaría hacer realmente? (continuación)
Iterator
0

Creo que, con una ligera curva de aprendizaje, se puede utilizar uno de los paquetes de SEM en I: lavaan, OpenMXo sem. Solo estoy aprendiendo sobre SEM y estos paquetes, pero me parece que lavaantiene una sintaxis de fórmula que es muy similar a otros modelos ( lm, lmer) en R, y SEM le permite hacer muchas cosas con su estructura de covarianza.

Wayne
fuente