R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程

简介: R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程

背景和定义

每个动态现象都可以用一个潜过程(Λ(t))来表征,这个潜过程在连续的时间t中演化。有时,这个潜过程是通过几个标志来衡量的,因此潜过程是它们的共同因素。

多元标记的潜过程混合模型

Proust-Lima 等人引入了潜在过程混合模型。(2006 - A Nonlinear Model with Latent Process for Cognitive Evolution Using Multivariate Longitudinal Data - Proust - 2006 - Biometrics - Wiley Online Library 和 2013 - Analysis of multivariate mixed longitudinal data: A flexible latent process approach - Proust‐Lima - 2013 - British Journal of Mathematical and Statistical Psychology - Wiley Online Library ).

使用线性混合模型根据时间对定义为潜过程的感兴趣量进行建模:

其中:

  • X(t) 和 Z(t) 是协变量的向量(Z(t) 包含在 X(t) 中;
  • β是固定效应(即总体平均效应);
  • ui 是随机效应(即个体效应);它们根据具有协方差矩阵 B 的零均值多元正态分布进行分布;
  • (wi(t)) 是一个高斯过程。

根据时间和协变量的 Λ(t) 结构模型与单变量情况完全相同。

现在,我们不再定义一个观察方程,而是定义 K 个不同标记的 K 个观察方程,其中 Yijk是对主体 i、标记 k 和场合 j 的观察。在单变量情况下,可以通过定义特定于标记的链接函数 Hk 来处理几种类型的标记。特定于标记的观察方程还可能包括协变量上的一些对比 γk 以及标记和主体特定的随机截距:

其中:

  • αik~N(0,σ2k)
  • Xcijk协变量向量
  • γk 是对比(k 上的总和等于 0)
  • tijk 对象 i、标记 k 和场合 j 的测量时间;
  • ϵijk一个独立的高斯误差,均值为 0,方差为 σ2ϵkσϵk2;
  • Hk将潜过程转换为标记 k 的尺度和度量的链接函数(由 ηk 参数化)。

目前只考虑连续链接函数。这些与单变量情况(在 lcmm 中)相同。H−1 是一组递增单调函数的参数族:

  • 线性变换:这简化为线性混合模型(2 个参数)
  • Beta 累积分布族重新调整(4 个参数)
  • 具有 m 个节点的二次 I 样条的基(m+2 个参数)

可识别性

与任何潜在变量模型一样,必须定义潜在变量的度量。这里第一个随机效应 ui的方差设置为 1,平均截距(在 β 中)设置为 0。

认知过程示例

在这个例子中,当认知被定义为三种心理测试的共同因素时,我们研究了认知随时间变化的轨迹:MMSE、BVRT和IST。这里的时间尺度是进入队列后的年数,轨迹被假定为时间上的二次方(在个人和人群层面),模型被调整为进入时的年龄。为了进一步研究性别的影响,包括对共同因素的平均效应和对每个标志的差异效应(对比)(在这个例子中不与时间相互作用)。

模型考虑:

其中:

, 是布朗过程, 对于 k = 1,2,3: ,

不同链接函数的估计

我们首先创建变量标准化, 避免数值问题:

 

tie <- (ae - ag_it)/10
ag75 <- (ae_it - 75)/10

线性链接函数

默认情况下,所有链接函数都设置为线性:

mlmm( ubc'ID', dt = pud, radom = T, cr =B(tme))

非线性链接函数

根据数据的性质,可能需要一些非线性链接函数。例如,这里的 MMSE 是高度偏斜的:

hist(MMSE)

在单变量情况下,可以考虑 Beta CDF 或样条。链接函数族可以对所有标记都相同(即使参数不同):

 

# 以Beta为例
mlmm( lnk = 'beta')

或者可以不同地选择链接函数。例如,

 

# 样条曲线中不同数量的结点
mlmm( lik = c('eta','3-uan-spes','3-antpln'))

修复一些转换参数

请注意,样条变换有时可能涉及非常接近 0 的参数,从而导致无法收敛(因为参数位于参数空间的边界)。这经常发生在 MMSE 中。例如,在下面的示例中,由于 MMSE 变换的第三个参数低于 10e-4,因此不容易达到收敛。

# 样条曲线
mlmm( axe=50, ink = c('3asin'))

通过使用 fix 选项修复此参数,可以轻松解决此问题。为此,可以从估计向量(此处为第 21 个参数)中识别参数的位置:

best

并且可以根据这些估计值和新固定的参数重新拟合模型:

# 样条曲线
mult(B=mp$best)

有了这个约束,模型就可以正确收敛。

模型比较

mult对象是多元潜在过程混合模型,它们假设潜过程的轨迹完全相同,但链接函数不同。在单变量情况下,可以使用信息标准来比较模型。该 summary 给我们这样的信息。

 


sumrtbe(ml)

涉及 Beta 变换和样条变换的模型在 AIC 方面似乎比显示偏离正态性的线性变换要好得多。

可以在模型之间绘制和比较转换:

 


par(mrow=c(1,1))
plot(llnes2, col = c(ol\[2\],ol\[3\]ol4\]), ld =1,ly=4)

除了线性变换,所有的估计变换都非常接近。

后拟合输出

估计的链接函数:

链接函数的置信区间可以通过蒙特卡罗方法获得:

predict(ml_btapl)
plt(Cl)

概括

该模型的摘要包括收敛性、拟合优度标准和估计参数。

summary

从估计结果来看,基础认知随着时间的推移有一个二次方的轨迹,基线时年龄较大的受试者的认知水平系统地较低。根据性别没有差异。然而,性别对心理测试有明显的差异性影响(P=0.0003),男性的BVRT系统性较高,女性的IST水平较高。

方差解释

对于多元数据,潜在过程是不同标记的共同潜在因素。因此,我们可以计算解释潜在过程的每个标记的残差方差。解释的这种方差取决于协变量并在特定时间计算。

 


VarE(tbsp,dtafme(tme=0))

例如,公因子解释了 42% 的 MMSE 残差变化,而它解释了时间 0 时 26% 的 BVRT 残差变化。

标记的预测轨迹图

可以根据协变量分布计算标记的预测轨迹,然后绘制。

predct(btapl,nwdta=dtew,va.tim='ime')
plt(prec_we, ld=c(1)

拟合优度:残差图

与任何混合模型一样,我们希望特定主题的残差(右下图)是高斯分布的。

 


plt(mlep, 0.8)

拟合优度:预测与观察的关系图

可以根据时间绘制平均预测和观察结果。请注意,预测和观察是在潜过程的范围内(观察被转换为估计的链接函数):

plot(beal, whch="fit", time="ti")


相关文章
|
7天前
|
Java
JavaSE——集合框架二(6/6)-(案例)补充知识:集合的嵌套(需求与分析、问题解决、运行测试)
JavaSE——集合框架二(6/6)-(案例)补充知识:集合的嵌套(需求与分析、问题解决、运行测试)
7 0
|
10天前
|
安全 测试技术
软件测试项目式学习二(认识软件测试及软件测试分类与案例分析)
软件测试项目式学习二(认识软件测试及软件测试分类与案例分析)
14 1
|
14天前
|
机器学习/深度学习 敏捷开发 人工智能
深入分析自动化测试中的挑战与机遇
【5月更文挑战第31天】 在软件开发的不断进步和迭代中,自动化测试作为提升效率、确保质量的重要手段,其地位愈发凸显。本文将深入探讨实施自动化测试过程中遭遇的技术挑战,如维护成本、复杂场景模拟等,并剖析其中的机遇,包括持续集成的协同优势和最新的AI辅助技术。通过具体案例分析和前沿技术趋势预测,旨在为软件测试工程师提供全面的视角,以应对未来自动化测试的发展需求。
|
14天前
|
监控 jenkins 测试技术
提升软件测试效率与准确性的策略分析
【5月更文挑战第31天】 在软件开发生命周期中,测试工作占据了举足轻重的地位。本文旨在探讨提高软件测试效率和准确性的有效策略。通过对自动化测试工具的选择、测试用例的优化设计、持续集成系统的整合以及性能测试的关键指标分析,本文提出了一系列创新的方法和实践建议。这些策略不仅能够减少人力资源消耗,还能显著提高软件产品的质量和稳定性。
|
15天前
|
监控 测试技术
深入分析软件测试中的风险评估与管理
【5月更文挑战第30天】 在软件开发生命周期中,风险无处不在,特别是在软件测试阶段。本文旨在探讨软件测试过程中如何有效地进行风险评估和管理,以确保软件质量和项目成功。文中将介绍风险评估的基本概念,提出一个结构化的风险识别和评估框架,并详细讨论如何通过定性和定量方法来管理测试风险。此外,文章还将展示一个案例研究,以说明所提策略在实际中的应用效果。
|
16天前
|
机器学习/深度学习 人工智能 测试技术
深入探究软件测试中的自动化边界值分析
【5月更文挑战第29天】随着软件开发的复杂性增加,确保产品质量的需求促使自动化测试成为核心实践。本文专注于自动化边界值分析的应用与效能,探讨其在提高测试效率和有效性方面的关键作用。通过引入先进的自动化工具和技术,文章揭示了如何优化测试用例设计,减少重复劳动,同时保持高水平的错误检测率。本研究不仅展示了自动化边界值分析在不同类型的软件测试场景中的应用,还讨论了实施过程中可能遇到的挑战及其解决方案。
|
16天前
|
测试技术 程序员
深入理解与应用软件测试中的边界值分析法
【5月更文挑战第29天】 在软件测试领域,边界值分析是一种高效的测试设计技术,它依据边缘情况往往更易暴露程序缺陷的假设。本文将深入探讨边界值分析法的原理、实施步骤以及在实际测试中的应用。通过分析边界条件对测试覆盖的影响,我们展示了如何运用边界值分析提高测试用例的有效性,并结合案例说明其在不同类型的软件测试中如何具体实施。
|
7天前
|
机器学习/深度学习 人工智能 自然语言处理
深入探索软件测试:策略、工具与未来趋势
【5月更文挑战第38天】 在软件开发的生命周期中,测试环节扮演着至关重要的角色。随着技术的不断进步和市场需求的多样化,传统的测试方法已逐渐不能满足现代软件项目的需求。本文旨在提供一个全面的软件测试概述,包括最新的测试策略、常用工具以及预测未来的发展趋势。通过分析自动化测试的效益、持续集成的重要性以及人工智能在测试中的应用,文章将帮助读者构建一个更高效、更智能的软件测试环境。
|
18天前
|
Web App开发 测试技术 API
自动化测试工具Selenium的深度解析
【5月更文挑战第27天】本文旨在深入剖析自动化测试工具Selenium,探讨其架构、原理及应用。通过对其核心组件、运行机制及在实际项目中的应用案例进行详细解读,以期为软件测试人员提供全面、深入的理解与实践指导。
|
8天前
|
测试技术 持续交付
软件测试中的自动化工具及其应用
本文将探讨软件测试中自动化工具的特点、优势以及常见应用场景,重点介绍了自动化测试工具在提高测试效率、减少人力成本以及保证软件质量方面的重要作用。通过深入分析自动化测试工具的应用实例,帮助读者更好地理解和运用现代软件测试工具。
38 1