0
点赞
收藏
分享

微信扫一扫

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化

狐沐说 2022-11-10 阅读 341

潜类别轨迹建模 (LCTM) 是流行病学中一种相对较新的方法,用于描述生命过程中的暴露,它将异质人群简化为同质模式或类别。然而,对于给定的​​数据集​​,可以根据类的数量、模型结构和轨迹属性得出不同模型的分数。

本文说明了LCTM的基本用法,用于汇总拟合的潜在类轨迹模型对象的输出。要安装 R 包,请在 R 控制台中使用命令

例子

目的:通过将 BMI 建模为年龄函数,识别具有不同轨迹的参与者亚组。根据迄今为止可用的文献,我们假设初始 K=5 类 BMI 轨迹。

我们使用体重指数 (BMI) 重复测量 10,000 个人的长格式数据框。

提供了一个示例(模拟)数据集 bmi 来描述整个步骤,  bmi_long 是长格式版本。

包含的变量有:

id - 个人 ID
年龄 - BMI 测量的年龄,以年为单位
bmi - 个人在 T1、T2、T3 和 T4 时间的体重指数,以 kg/m^2 为单位 true_class - 用于识别模拟个人 BMI 数据的类别的标签从

加载数据

绘制数据

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言

潜在类轨迹建模的八步示例

为了对纵向结果 yijk 进行建模,对于 k=1:K,类,对于个体 i,在时间点 j,tj可以使用许多建模选择。我们在这里给出方程来说明这些,并按照复杂度增加的顺序将它们命名为模型 A 到 G。

模型 A:无随机效应模型 | 固定效应同方差 | - 解释个人轨迹与其平均类轨迹的任何偏差仅是由于随机误差

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_02

其中假设所有类的残差方差相等,

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_03

模型 B:具有特定类别残差的固定效应模型 | 异方差 | 与模型 A 相同的解释,随机误差在不同的类别中可能更大或更小。

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_04

其中假设残差方差不同

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_05

模型 C:随机截距 解释是允许个体的初始体重不同,但假设每个班级成员遵循平均轨迹的相同形状和大小

对于 k=1:K, classes, 对于个体 i, 在时间点 j, tj,

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_06

 其中随机效应分布

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_07

模型 D:随机斜率 允许个体在初始权重和平均轨迹的斜率上有所不同,但曲率与轨迹

对于 k=1:K,类,对于个体 i,在时间点 j , tj,

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_08

其中假设随机效应分布为

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_09

模型 E:随机二次 - 跨类的共同方差结构 允许个体在类内通过初始权重、形状和大小变化的额外自由,但是假设每个类具有相同的变异量 R lcmm hlme/lcmm 对于 k=1: K, 类, 对于个体 i, 在时间点 j, tj,

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_10

其中假设随机效应分布为 

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_11

模型 F 和 G:随机二次 - 允许方差结构跨类变化的比例约束 增加模型 E 的灵活性,因为允许方差结构相差一个乘法因子,以允许某些类具有更大或更小的类内方差。该模型可以被认为是模型 G 的更简洁版本(将要估计的方差-协方差参数的数量从 6xK 参数减少到 6+(K-1)个参数。

对于 k=1:K, classes, 对于个体 i, 在时间点 j, tj,

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_12

其中假设随机效应分布为 

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_13

第一步:选择随机效应结构的形式

为了确定随机效应的初始工作模型结构,可以遵循 Verbeke 和 Molenbergh 的基本原理来检查没有随机效应的模型中每个 K 类的标准化残差图的形状。

如果残差轮廓可以近似为平坦、直线或曲线,则分别考虑随机截距、斜率或二次项。

为了拟合没有随机效应的潜在类模型。

  1.  hlmfixed(bmig)
  2.   
  3.   

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_14

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_15

然后,我们将拟合模型输入 LCTM中的 step1 函数,以检查特定类别的残差。

第2步

优化步骤 1 中的初步工作模型以确定最佳类数,测试 K=1,...7。可以根据最低贝叶斯信息标准 (BIC) 来选择所选类别的数量。

1.  set.seed(100)
2.
3.
4. for (i in 2:4) {
5. mi <- lchlme( data.frame(bmg[1:500,])
6.
7. }
8. #> Be patient, hlme is running ...
9. #> The program took 0.29 seconds
10. #> Be patient, hlme is running ...
11. #> The program took 0.69 seconds
12. #> Be patient, hlme is running ...
13. #> The program took 2.3 seconds
14.
15. modelut <-kable(lin)

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_16

第 3 步

使用步骤 2 中推导出的偏好 K 进一步细化模型,测试最优模型结构。我们测试了七个模型,从简单的固定效应模型(模型 A)到允许残差在类别之间变化的基本方法(模型 B)到一组具有不同方差结构的五个随机效应模型(模型 CG)。  
 

  • A(SAS、PROC TRAJ)

​​​​​​

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_17

 
 

  • B型(R,mmlcr)

调用 source() 命令。

  1.  mmldata = bmi_l01
  2.  # )

# model_b$BIC

 
 

  • C (SAS、PROC TRAJ)

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_18

  • D 型(SAS、PROC TRAJ)

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_19

  • E型 (R, lcmm)

1.  model_e <- hlme(fixed = bmi ~1+ age + I(age^2),
2. mixture = ~1 + age + I(age^2),
3. random = ~1 + age,
4. ng = 5, nwg = F,
5. idiag = FALSE,
6. data = data.frame(bmi_long[1:200,]),
7. subject = "id")
8. #> Be patient, hlme is running ...
9. #> The program took 0.77 seconds
model_e$BIC

 

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_20

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_21

  • F型 (R, lcmm)
  1.  fixed = bmi ~1+ age + I(age^2),
  2.  mixture = ~1 + age + I(age^2)

mod$BIC

 

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_22

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_23

  • G (SAS、PROC TRAJ)

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_24

第四步

执行一些模型充分性评估。首先,对于每个参与者,计算被分配到每个轨迹类的后验概率,并将个体分配到概率最高的类。在所有类别中,这些最大后验分配概率 (APPA) 的平均值高于 70% 被认为是可以接受的。使用正确分类、不匹配的几率进一步评估模型的充分性。

LCTMdel_f

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_25

第 5 步

图形表示方法;

  1. 绘制包含每个类的时间平均轨迹
  2. 每个类具有 95% 预测区间的平均轨迹图,显示每个类内预测的随机变化
  3.  plotpred <- predictY
  4.  plototp

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_26

  1. 个人水平的“面条图”随时间变化,取决于样本量,可能使用参与者的随机样本
  2.   
  3.  ggplot(bm, aes(x = age, y = bmi)) + geom_line

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_27

  1.   
  2.  ggplot(bmong) + geom_line

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_28

第 6 步

评估模型辨别。

第 7 步

使用四种方法评估临床特征和合理性;

1. 评估轨迹模式的临床意义,旨在包括至少 1% 的人群的类别

postprb( modf )

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_方差_29

2. 评估轨迹类别的临床合理性

使用 6.2中生成的图 来评估预测的趋势对于正在研究的组是否现实。例如,对于研究 BMI,显示下降到 <5 kg/m2 的预测趋势是不现实的。  
 

3. 潜在类别与传统分类的特征列表

使用从所选模型中提取类分配;

然后用描述性变量反馈到主数据集中。

然后可以根据需要将这些制成表格。

等等。

4. 使用 kappa 统计的类成员与传统 BMI 类别成员的一致性

  1.  # 定义BMI类别,这些类别的数量需要与类别的数量相等
  2.  confusionMatrix(bmi_class, bmclass
  3.  kable(y, row.names = )

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_r语言_30

第 8 步

酌情进行敏感性分析。

R语言、SAS潜类别(分类)轨迹模型LCTM分析体重指数 (BMI)数据可视化_数据_31


举报

相关推荐

R语言——绘图与数据可视化

0 条评论