Modelos jerárquicos para comparaciones múltiples: contexto de resultados múltiples

10

Acabo de (re) leer el Por qué de Gelman (generalmente) no tenemos que preocuparnos por las comparaciones múltiples . En particular, la sección "Resultados múltiples y otros desafíos" menciona el uso de un modelo jerárquico para situaciones en las que hay múltiples medidas relacionadas de la misma persona / unidad en diferentes momentos / condiciones. Parece tener una serie de propiedades deseables.

Entiendo que esto no es necesariamente algo bayesiano. ¿Podría alguien mostrarme cómo construir adecuadamente un modelo multivariado multinivel usando rjags y / o lmer (JAGS y BUGS normales también deberían estar bien, así como otras bibliotecas de modelos mixtos, por ejemplo, MCMCglmm) para que pueda jugar con él para comparar y resultados de contraste? El tipo de situación para la que me gustaría un modelo se refleja en los datos del juguete a continuación (medidas repetidas y multivariadas):

set.seed(69)
id     <- factor(rep(1:20, 2))                # subject identifier
dv1    <- c(rnorm(20), rnorm(20,  0.8, 0.3))  # dependent variable 1 data for 2 conditions
dv2    <- c(rnorm(20), rnorm(20,  0.3, 0.6))
dv3    <- c(rnorm(20), rnorm(20, -0.3, 0.8))
dv4    <- c(rnorm(20), rnorm(20,  0.2, 1  ))
dv5    <- c(rnorm(20), rnorm(20,  0.5, 4  ))
rmFac  <- factor(rep(c(1, 2), each=20))       # repeated measures factor
dvFac  <- factor(rep(1:5, each=40))           # dependent variable indicator

dfwide <- data.frame(id, dv1, dv2, dv3, dv4, dv5, rmFac)
dflong <- data.frame(id, dv = c(dv1, dv2, dv3, dv4, dv5), rmFac, dvFac) # just in case it's easier?
Matt Albrecht
fuente
Para mí no está claro cuál es su pregunta ... Me falta ese signo de interrogación :)
Rasmus Bååth
@ RasmusBååth Estoy de acuerdo, lo he editado para que sea más claro lo que me gustaría. Gracias.
Matt Albrecht el

Respuestas:

3

Creo que tengo una solución parcial razonable para el modelo jerárquico bayesiano. rjagsCódigo a continuación ...

dflong$dv <- scale(dflong$dv)[,1]
dataList = list(  
    y = dflong$dv, 
    rmFac  = dflong$rmFac ,
    dvFac  = dflong$dvFac ,
    id     = dflong$id ,
    Ntotal = length(dflong$dv) ,
    NrmLvl = length(unique(dflong$rmFac)),
    Ndep   = length(unique(dflong$dvFac)),
    NsLvl  = length(unique(dflong$id))
)

modelstring = "
model {
for( i in 1:Ntotal ) {
    y[i] ~ dnorm( mu[i] , tau[rmFac[i], dvFac[i]])
    mu[i] <- a0[ dvFac[i] ] + aS[id[i], dvFac[i]] + a1[rmFac[i] , dvFac[i]]
}
for (k in 1:Ndep){
    for ( j in 1:NrmLvl ) { 
        tau[j, k] <- 1 / pow( sigma[j, k] , 2 )
        sigma[j, k] ~  dgamma(1.01005,0.1005)
    }
}
for (k in 1:Ndep) {
    a0[k] ~ dnorm(0, 0.001)
    for (s in 1:NsLvl){
        aS[s, k] ~ dnorm(0.0, sTau[k])
    }
    for (j in 1:NrmLvl) {
        a1[j, k] ~ dnorm(0, a1Tau[k])
    }
    a1Tau[k] <- 1/ pow( a1SD[k] , 2)
    a1SD[k]  ~ dgamma(1.01005,0.1005)

    sTau[k] <- 1/ pow( sSD[k] , 2)
    sSD[k]  ~ dgamma(1.01005,0.1005)
}
}
" # close quote for modelstring
writeLines(modelstring,con="model.txt")

Nuevamente, el guión de medidas repetidas bayesianas de Kruschke

Matt Albrecht
fuente
3

Finalmente encontré una solución de literatura para mi problema. Modelos bayesianos para múltiples resultados anidados en dominios por Thurston et al. 2009. Proponen un modelo jerárquico para dominios únicos o múltiples que refleja la naturaleza dependiente del dominio de las variables. Incorpora efectos aleatorios para individuos e individuos a través de dominios (si hay múltiples dominios). También se puede extender fácilmente para incluir medidas repetidas o diseños longitudinales.
Nota: publicaré un modelo JAGS aquí para completar la respuesta pronto

Matt Albrecht
fuente