全文链接：http://tecdat.cn/?p=24172
最近我们被客户要求撰写关于潜过程混合效应模型（lcmm）的研究报告，包括一些图形和统计输出。
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：
和 
, 
是布朗过程， 
对于 k = 1,2,3： 
, 
和 
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 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)
点击标题查阅往期内容
R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状
左右滑动查看更多
01
02
03
04
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")
点击文末 “阅读原文”
获取全文完整代码数据资料。
本文选自《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》。
点击标题查阅往期内容
R语言因子实验设计nlme拟合非线性混合模型分析有机农业施氮水平
R语言非线性混合效应 NLME模型(固定效应&随机效应)对抗哮喘药物茶碱动力学研究
R语言用线性混合效应（多水平/层次/嵌套）模型分析声调高低与礼貌态度的关系
R语言LME4混合效应模型研究教师的受欢迎程度R语言nlme、nlmer、lme4用（非）线性混合模型non-linear mixed model分析藻类数据实例
R语言混合线性模型、多层次模型、回归模型分析学生平均成绩GPA和可视化
R语言线性混合效应模型（固定效应&随机效应）和交互可视化3案例
R语言用lme4多层次（混合效应）广义线性模型（GLM），逻辑回归分析教育留级调查数据R语言 线性混合效应模型实战案例
R语言混合效应逻辑回归（mixed effects logistic）模型分析肺癌数据
R语言如何用潜类别混合效应模型（LCMM）分析抑郁症状
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言建立和可视化混合效应模型mixed effect model
R语言LME4混合效应模型研究教师的受欢迎程度
R语言 线性混合效应模型实战案例
R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言如何解决线性混合模型中畸形拟合(Singular fit)的问题
基于R语言的lmer混合线性回归模型
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
R语言分层线性模型案例
R语言用WinBUGS 软件对学术能力测验（SAT）建立分层模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
SPSS中的多层（等级）线性模型Multilevel linear models研究整容手术数据
用SPSS估计HLM多层（层次）线性模型模型
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
缓存更新策略 缓存更新是指在数据发生变化时，保持缓存和数据库的数据一致性的问题。如果缓存和数据库的数据不一致，会导致用户看到过期或者错误的数据，影响业务逻辑和用户体验。 为了实现缓存更新，我们可以采用以下四种方式： Cache Aside策略：应用程序直接与数…
