在 R 中使用采样权重进行纵向分析

编程问答 2022-04-21

问题描述

我有两项调查的纵向数据，我想进行事前分析。通常，我会使用 survey::svyglm() 或 svyVGAM::svy_vglm（对于多项族）来包含采样权重，但这些函数不考虑随机效应。另一方面，lme4::lmer 考虑了重复测量，但不考虑采样权重。

对于持续的结果，我明白我可以做到

w_data_wide <- svydesign(ids = ~1,data = data_wide,weights = data_wide$weight)

svyglm((post-pre) ~ group,w_data_wide)

并得到与如果我可以将 lmer(outcome ~ grouP*time + (1|id),data_long) 与权重一起使用时得到的估计值[如果我错了，请纠正我]。

但是，对于分类变量，我不知道如何进行分析。 WeMix::mix() 有一个参数 weights，但我不确定它是否将它们视为采样权重。不过这个函数还是不能支持多项族。

所以，继续：您能否启发我如何对具有 2 个或更多级别的分类结果进行事前测试分析？任何有关 R 中的包/函数以及如何使用/编写它们的提示将不胜感激。

我在下面给出了一些具有二项式和多项式结果的数据集：

library(data.table)
set.seed(1)

data_long <- data.table(
  id=rep(1:5,2),time=c(rep("Pre",5),rep("Post",5)),outcome1=sample(c("Yes","No"),10,replace=T),outcome2=sample(c("Low","Medium","High"),outcome3=rnorm(10),group=rep(sample(c("Man","Woman"),5,weight=rep(c(1,0.5,1.5,0.75,1.25),2)
)

data_wide <- dcast(data_long,id~time,value.var = c('outcome1','outcome2','outcome3','group','weight'))[,`:=` (weight_Post = NULL,group_Post = NULL)]

编辑

正如我在下面的评论中所说，我一直使用 lmer 和 glmer 以及用于计算权重的变量作为预测变量。碰巧 glmer 返回了很多问题（收敛、高特征值...），所以我再看看这篇文章和其他人中的@ThomasLumley 答案（https://stat.ethz.ch/pipermail/r-help/2012-June/315529.html | https://stats.stackexchange.com/questions/89204/fitting-multilevel-models-to-complex-survey-data-in-r） .

所以，我现在的问题是，是否可以将参与者 ID 用作 svydesign

中的集群 
library(survey)
w_data_long_cluster <- svydesign(ids = ~id,data = data_long,weights = data_long$weight)
summary(svyglm(factor(outcome1) ~ grouP*time,w_data_long_cluster,family="quasibinomial"))

                     Estimate Std. Error t value Pr(>|t|)  
(Intercept)         1.875e+01  1.000e+00  18.746   0.0339 *
groupWoman         -1.903e+01  1.536e+00 -12.394   0.0513 .
timePre             5.443e-09  5.443e-09   1.000   0.5000  
groupWoman:timePre  2.877e-01  1.143e+00   0.252   0.8431

并且仍然将 groupWoman:timePre 解释为不同性别组之间随着时间的推移结果的平均变化/改善率的差异，就好像我使用混合模型将参与者作为随机效应一样。

再次感谢您！

解决方法

具有 svyglm 的线性模型不会给出与 lme4::lmer 相同的参数估计。不过，如果模型被正确指定，它确实估计与 lme4::lmer 相同的参数。

如您所见，具有 svyglm 或 svy_vglm 的广义线性模型不会估计与 lme4::glmer 相同的参数。但是，它们确实估计了非常好的回归参数，如果您对方差分量或估计已实现的随机效应 (BLUP) 不是特别感兴趣，我建议您只使用 svy_glm。

如果您有用于模型的随机效应版本的非调查软件，则另一个选择是使用它。如果您将权重调整为样本大小的总和，并且如果设计中的所有聚类都是通过模型中的随机效应建模的，那么您将至少获得有效推理的合理近似值。例如，这就是我所看到的推荐用于贝叶斯调查建模的内容。

longitudinalmixed-modelsrrsurveyweighted