29. Sıralı ve nominal yanıtlı GEE (yerel odds oranı yapılı marjinal model)
Şablon kimliği: sirali_nominal_gee · Kategori: karma model · Dil: R · Dosya: pro/sablonlar/karma_model/sirali_nominal_gee.R (satır 1–321; üstbilgi 1–106) · Örnek veri: _ornek/sirali_nominal_gee.csv (nominal örnek: _ornek/sirali_nominal_gee_housing.csv) · Paketler: multgee 1.9.0, gnm 1.1-5, VGAM 1.1-14
29.1 Ne işe yarar
Şablon, aynı denekten yinelenerek ölçülen çok kategorili bir yanıtın (sıralı ya da nominal) marjinal dağılımını modeller: açıklayıcıların, deneklerin ortalaması üzerinden kategori olasılıklarını nasıl değiştirdiğini kestirir ve denek içi bağımlılığı ayrı bir "çalışma yapısı" ile hesaba katar. Cevapladığı soru şudur: "Popülasyonda, tedavi alanların iyi yanıt verme olasılığı almayanlardan ne kadar farklı ve bu fark zamanla değişiyor mu?"
- Y_{it}: i. kümenin (deneğin) t. ölçümündeki yanıt; J kategori.
- g: kümülatif bağlantı (lojit, probit, tamamlayıcı log-log, cauchit). \beta_{j0}: eşikler (kategoriye özgü kesişimler).
- Sıralı modelde \boldsymbol\beta tüm kesim noktalarında ortaktır ve artı işaretle girer: \beta>0, düşük kategorileri daha olası kılar.
- Nominal modelde her kategorinin kendi katsayı vektörü \boldsymbol\beta_j vardır; temel kategori son kategoridir.
- Olasılıklar marjinaldir: küme etkisine koşullu değildir.
Şablon, sandviç (sağlam) ve model tabanlı standart hatalı katsayıları, odds oranlarını, terim başına Wald testlerini, kestirilen yerel odds oranlarını, yapı seçimi için iç parametreleri ve bir özet tablosunu verir; iki şekil çizer (katsayılar ile güven aralıkları; gözlenen ve uydurulmuş kategori olasılıkları).
Ne zaman kullanılır? Yanıt en az üç kategoriliyse; aynı denek, aynı ölçüm zamanlarında yinelenerek ölçülmüşse (boylamsal klinik skor, panel anketi); ilgi popülasyon ortalamalı etkideyse ve bağımlılığın biçimi asıl soru değilse; en az on küme varsa.
Ne zaman kullanılmaz?
- İlgi deneğe özgü (koşullu) etkide ya da denekler arası varyanstaysa:
clmm_sirali_karma(sıralı, Bölüm 16),nominal_karma(nominal, Bölüm 25). - Yanıt iki kategoriliyse: şablon durur (satır 146); temel programdaki GEE (Genelleştirilmiş Tahmin Denklemleri).
- Kümelerde ölçümler ortak bir zaman dizinine oturmuyorsa (her deneğin ölçüm sayısı ve anları büsbütün farklı): yerel odds oranları zaman çiftlerine göre tanımlandığından yapı kestirilemez; bağımsızlık yapısı ya da karma model kullanılır.
- Eksiklik yanıta bağlıysa (rastgele olmayan terk): GEE, tamamen rastgele eksiklik ister; olabilirlik tabanlı karma model daha az kısıtlıdır.
- Tekrar yoksa (her denekte tek ölçüm): temel programdaki Sıralı Lojistik Regresyon ya da Multinomial Lojistik Regresyon.
Temel programla ilişki. Temel programın GEE analizi sayısal, ikili ve sayım yanıtlarını korelasyon tabanlı çalışma yapılarıyla kurar. Çok kategorili yanıtta korelasyon doğal bir bağımlılık ölçüsü değildir: değer aralığı marjinal olasılıklarca kısıtlanır. Bu şablon bağımlılığı yerel odds oranlarıyla tanımlar (Touloumis, Agresti ve Kateri, 2013); marjinaller ne olursa olsun her odds oranı değeri geçerli bir ortak dağılım verir.
29.2 Şablonun girdileri
Form, üstbilgideki on dört [[param]] bloğundan kurulur (sirali_nominal_gee.R:10–105).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Kategorik yanıt (sıralı ya da nominal) · y |
sütun · Değişkenler | ilk sütun | herhangi bir sütun | 1…J tamsayı koduna çevrilir (143–148). |
Küme (denek) kimliği · id |
kategorik sütun · Değişkenler | ilk uygun sütun | herhangi bir sütun | id (149). |
Ölçüm zamanı (tekrar) · zaman |
sütun · Değişkenler | boş | herhangi bir sütun | Tekrarların sırası; boşsa küme içi satır sırası (152–162). |
Ortak değişkenler · x |
sütunlar · Değişkenler | boş | sütun listesi | Model terimleri (127, 174). |
Faktör olarak ele alınacak sayısal sütunlar · faktor |
sütunlar · Değişkenler | boş | x içinden |
factor() (164). |
Ölçüm zamanını faktör olarak modele ekle · zaman_terimi |
onay · Model | açık | açık / kapalı | <zaman>_f terimi (129, 173). |
Zamanla etkileşen ortak değişkenler · etkilesim |
sütunlar · Model | boş | x içinden |
<zaman>_f:x terimleri (128, 175). |
Yanıt türü · yanit_turu |
seçim · Model | sirali |
sirali, nominal |
ordLORgee ya da nomLORgee (123, 183–184). |
Bağlantı (yalnız sıralı) · baglanti |
seçim · Model | logit |
logit, probit, cloglog, cauchit |
link (183). |
Yerel odds oranı yapısı (çalışma yapısı) · yapi |
seçim · Model | otomatik |
otomatik, uniform, category.exch, time.exch, RC, independence |
LORstr (131–135, 183–184). |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | Wald aralıkları ve şekil (195). |
Yakınsama toleransı (katsayılarda en büyük göreli değişim) · tolerans |
ondalık · Gelişmiş | 0,001 | 10⁻¹⁰–0,1 | LORgee_control(tolerance) (179). |
En çok Fisher puanlama yinelemesi · maks_yineleme |
tamsayı · Gelişmiş | 15 | 1–1000 | LORgee_control(maxiter) (179). |
Boş hücrelere eklenen sabit (yerel OR kestirimi) · ekleme |
ondalık · Gelişmiş | 0 | 0–1 | add (183–184). |
Örnek ayar (ornek_param, satır 9): y = y, id = id, zaman = time, x = [trt, baseline], faktor = [trt, baseline], yanit_turu = sirali, yapi = uniform. Öteki alanlar varsayılandadır.
Şablonun kendi denetimleri.
| Koşul | İleti (özet) | Satır |
|---|---|---|
| multgee, gnm ya da VGAM kurulu değil | "… için gerekli R paketleri kurulu değil: …" | 108–117 |
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 122 |
| Yanıt, küme kimliği ya da zaman sütunu | "Yanıt küme kimliği ya da zaman olamaz." | 125 |
| Küme kimliği ile zaman aynı sütun | "farklı sütunlar olmalı" | 126 |
| Etkileşim seçili, zaman terimi modelde yok | "ölçüm zamanı seçilmeli ve modele eklenmeli" | 130 |
| Nominal yanıtta tekdüze ya da kategori değiştirilebilir yapı | "nominal yanıtta tanımlı değildir; …" | 133–135 |
| Eksiksiz satır sayısı 20'den az | "Eksiksiz en az 20 satır gerekli." | 142 |
| Yanıtta 3'ten az / 20'den çok kategori | "en az 3 kategori…" / "20'den çok kategori…" | 146–147 |
| 10'dan az küme | "En az 10 küme gerekli (sandviç varyansı küme sayısına dayanır)." | 151 |
| Aynı kümede aynı zaman birden çok | "Aynı kümede aynı ölçüm zamanı birden çok kez geçiyor." | 156 |
| Zaman tek değerli | "en az 2 farklı değer almalı" | 157 |
| Hiçbir kümede tekrar yok | "GEE için kümede en az 2 ölçüm gerekli." | 163 |
| Ortak değişken tek düzeyli ya da sabit | "'…' tek düzeyli / sabit; modelden çıkarın." | 167, 169 |
| Modelde hiç terim yok | "en az bir terim olmalı" | 176 |
ordLORgee / nomLORgee hata verdi |
"Model kurulamadı: … Daha basit bir yerel odds oranı yapısı ya da küçük bir ekleme sabiti … deneyin." | 185–187 |
Eksik değer: yanıt, kimlik, zaman ve ortak değişkenlerden biri eksik olan satır atılır (139); küme atılmaz, kalan ölçümleriyle kullanılır ve atılan satır sayısı notla bildirilir (140–141). Durdurmayan iletiler: yakınsamama uyarısı (278–280), paketin kestirim uyarıları (281) ve son özet satırı (282–284).
29.3 Örnek veri
Dosya: _ornek/sirali_nominal_gee.csv. Romatoid artrit klinik denemesi (Lipsitz, Kim ve Zhao, 1994; multgee paketindeki arthritis): 302 hasta, başlangıçta ve 1., 3., 5. aylarda kendi artrit durumunu beş kategorili bir ölçekte derecelendirmiştir. Dosya uzun biçimdedir: 906 satır (hasta × izlem zamanı); 18 satırda yanıt eksiktir.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
y |
Yanıt | sayısal | Öz değerlendirme, 1 (çok kötü) – 5 (çok iyi). Tam satırlarda sıklıklar: 33, 159, 345, 275, 76. |
id |
Küme | sayısal | Hasta numarası; eksikler atıldıktan sonra 301 küme. |
time |
Ölçüm zamanı | sayısal | 1, 3, 5 (ay). |
trt |
Ortak değişken (faktör) | ikili (sayısal) | 1 = plasebo, 2 = ilaç. |
baseline |
Ortak değişken (faktör) | sayısal | Başlangıçtaki öz değerlendirme, 1–5. |
sex, age |
kullanılmaz | ikili, sayısal | Cinsiyet, yaş. |
Eksik satırlar atıldıktan sonra 888 gözlem kalır: 289 kümede üç, 9 kümede iki, 3 kümede tek ölçüm vardır. Zamana göre yanıt sıklıkları:
| Zaman | 1 | 2 | 3 | 4 | 5 | Toplam |
|---|---|---|---|---|---|---|
| 1. ay | 11 | 51 | 127 | 96 | 14 | 299 |
| 3. ay | 12 | 59 | 115 | 86 | 24 | 296 |
| 5. ay | 10 | 49 | 103 | 93 | 38 | 293 |
Kategorilerin sırası ve temel kategori
Yanıt sayısal ise kategoriler sayı sırasına dizilir; metin ise düz metin sütununda alfabetik sıra, veri sekmesinde "kategorik" olan sütunda düzey sırası kuralı (Bölüm 1.3: tanımlı sıra, yoksa ilk görülme) kullanılır (satır 144). Sıralı modelde bu sıra modelin kendisidir: metin etiketli bir ölçek ("kötü", "orta", "iyi") sırası tanımlanmadan verilirse eşikler yanlış kategoriler arasına konur. Nominal modelde sıra yalnız temel kategoriyi belirler: son kategori. "Yanıt kategorileri" tablosu kurulan sırayı ve her kategorinin sıklığını yazar; çalıştırmadan sonra ilk bakılacak tablodur. trt ve baseline sayısal olduğundan örnek ayar onları "faktör" listesine alır; referans düzeyleri en küçük değerdir (plasebo, başlangıç 1).
Nominal seçenek için ikinci örnek dosya _ornek/sirali_nominal_gee_housing.csv'dir (Hurlburt, Wood ve Hough'un 1996 tarihli barınma çalışması; multgee housing): 361 kişi, 0., 6., 12. ve 24. aylarda barınma durumu y (0 sokak, 1 toplu barınma, 2 bağımsız konut), sec kira yardımı göstergesi; tam satır sayısı 1289.
Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar (tekdüze yapı); (2) aynı model, tolerans 10^{-10}; (3) bağımsızlık, tolerans 10^{-10}; (4) kategori değiştirilebilir; (5) zaman değiştirilebilir; (6) RC; (7) probit bağlantı; (8) trt × zaman etkileşimi; (9) zaman sütunu seçilmeden; (10) nominal yanıt, barınma verisi, zaman değiştirilebilir yapı ve (11) bağımsızlık yapısı.
29.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (1) eksik satırları at, yanıtı kodla, kümeleri ve zamanları sırala; (2) seçilen yapı için yerel odds oranlarını, zaman çiftlerinin birleştirilmiş tablolarından bir kez kestir; (3) bağımsızlık altındaki kestirimden başlayarak GEE'yi Fisher puanlamayla çöz; her adımda küme içi kovaryansı marjinaller ve yerel odds oranlarından kur; (4) model tabanlı ve sandviç kovaryansı hesapla; (5) Wald testlerini, ölçütleri, tabloları ve şekilleri üret.
29.4.1 Marjinal model ve türev matrisi
Her gözlem için J-1 gösterge ve olasılık tanımlanır: \mathbf y_{it}=(y_{it1},\dots,y_{it,J-1})^{\top}, \boldsymbol\pi_{it}=E(\mathbf y_{it}). Sıralı modelde
- F=g^{-1}; \gamma_{itj}=P(Y_{it}\le j) kümülatif olasılıktır.
- \boldsymbol\beta^{*}=(\beta_{10},\dots,\beta_{J-1{,}0},\boldsymbol\beta^{\top})^{\top}: tüm parametreler.
- \mathbf D_{it}: (J-1)\times p türev matrisi; j. satırı f(\eta_{itj}) ve -f(\eta_{it,j-1}) yoğunluk değerlerinden kurulur (f=F').
- Nominal modelde \pi_{itj}=e^{\eta_{itj}}/(1+\sum_k e^{\eta_{itk}}) ve \mathbf D_{it}=[\operatorname{diag}(\boldsymbol\pi_{it})-\boldsymbol\pi_{it}\boldsymbol\pi_{it}^{\top}]\otimes(1,\mathbf x_{it}^{\top}).
Neden işaret Bölüm 16'dakinin tersi?
multgee kümülatif olasılığı doğrudan modeller: g(P(Y\le j))=\beta_{j0}+\mathbf x^{\top}\boldsymbol\beta. Artı işaret nedeniyle pozitif katsayı düşük kategorileri olası kılar. Bölüm 16'daki karma model \theta_j-\mathbf x^{\top}\boldsymbol\beta biçimini kullanır; orada pozitif katsayı yüksek kategori demektir. Aynı veride iki bölümün katsayıları ters işaretli beklenir; katsayı tablosunun başlığı yönü yazar (satır 221–226). Örnek veride yüksek kategori iyi durum olduğundan negatif katsayı iyileşmedir.
29.4.2 Yerel odds oranları ve yapılar
t ve t' zamanlarındaki iki yanıtın bağımlılığı, komşu kategori çiftlerinin 2\times2 odds oranlarıyla ölçülür:
- \theta=1: bağımsızlık. \theta>1: bir zamanda yüksek kategoride olan, öteki zamanda da yüksek kategoride olmaya yatkın.
- Her zaman çifti için (J-1)^2 yerel odds oranı vardır; satır ve sütun marjinalleriyle birlikte J\times J ortak dağılımı tek biçimde belirler.
Yapılar bu oranlara kısıt koyar. Hepsi, zaman çiftlerinin tüm kümeler üzerinden birleştirilmiş J\times J sayım tablolarına (n_{c,jj'}; c zaman çifti) Poisson log-doğrusal model uydurularak kestirilir:
- \lambda terimleri her zaman çiftinin satır ve sütun marjinallerini serbest bırakır; bağımlılık yalnız son terimdedir.
- \phi_c: c. zaman çiftinin ilişki parametresi; n_{c,jj'}: o çiftte ilk zamanda j, ikinci zamanda j' yanıtını veren küme sayısı.
- \mu_j: kategori puanları. Tamsayı puanlarla (\mu_j=j) model Goodman'ın (1979) tekdüze ilişki modelidir ve tüm yerel odds oranları eşittir. Puanlar kestirilirse model satır–sütun (RC) ilişki modelidir.
- Tekdüze ve kategori değiştirilebilir yapılar kategori sırasını kullanır; nominal yanıtta tanımlı değildir (satır 133–135).
Yapılar bu modelin son terimine kısıt koyar:
| Yapı (form etiketi) | Kısıt | \log\theta_{tj,t'j'} | Parametre sayısı |
|---|---|---|---|
| Tekdüze | \mu_j=j, \phi_c=\phi | \phi | 1 |
| Kategori değiştirilebilir | \mu_j=j, \phi_c serbest | \phi_c | zaman çifti sayısı |
| Zaman değiştirilebilir | \mu_j kestirilir, tüm çiftlerde ortak | \phi(\mu_{j+1}-\mu_j)(\mu_{j'+1}-\mu_{j'}) | J-1 |
| RC | \mu_j her çiftte ayrı kestirilir | \phi_c(\mu_{c,j+1}-\mu_{c,j})(\mu_{c,j'+1}-\mu_{c,j'}) | (J-1)\times çift sayısı |
| Bağımsızlık | — | 0 | 0 |
Neden odds oranı, neden korelasyon değil?
İki kategorik değişkenin korelasyonu marjinallerine bağlı bir aralıkta kalır; marjinaller modelle birlikte değiştikçe aynı korelasyon değeri geçersizleşebilir. Odds oranı marjinallerden bağımsız değişir: verilen marjinaller ve verilen yerel odds oranlarıyla her zaman tek bir geçerli ortak dağılım vardır. Bu yüzden çalışma yapısı bir kez kestirilip tüm yinelemelerde sabit tutulabilir.
Koddaki tercih
"Otomatik" seçeneği sıralı yanıtta tekdüze, nominal yanıtta zaman değiştirilebilir yapıyı seçer (satır 131–132). Yapı parametreleri multgee'nin fitmm adımında gnm ile, GEE çözülmeden önce bir kez kestirilir; \boldsymbol\beta'ya bağlı değildir. Birleştirilmiş tabloda sıfır hücre varsa "Boş hücrelere eklenen sabit" sıfır olan sayımlara eklenir (varsayılan 0). Şablon multgee'nin öteki ayarlarını (ilişki modelinin türü, IPFP toleransı 10^{-6} ve 200 yineleme) varsayılanda bırakır.
İç parametreler. Yapı seçimine yardımcı olmak için şablon, bağımsızlık dışındaki her yapıda zaman çifti başına \hat\phi_c'yi ayrı bir tabloda verir (sıralı yanıtta tamsayı puanlarla, nominalde kestirilen puanlarla; satır 253–264) ve aralığını (\max-\min) konsola yazar. Değerler birbirine yakınsa tek bir ortak \phi (tekdüze ya da zaman değiştirilebilir yapı) yeterlidir.
29.4.3 Küme içi kovaryans ve IPFP
GEE, her kümenin gösterge vektörünün kovaryansını ister. Aynı zaman içindeki blok çok terimli dağılımdan, farklı zamanlar arasındaki blok ortak olasılıklardan gelir:
- \mathbf P_{i,tt'}: P(Y_{it}=j,\,Y_{it'}=j') ortak olasılıklarının ilk J-1 satır ve sütunu.
- Ortak olasılık tablosu iki koşulu sağlar: satır ve sütun toplamları geçerli marjinallere (\boldsymbol\pi_{it}, \boldsymbol\pi_{it'}) eşittir; yerel odds oranları yapının kestirdiği \hat\theta'lardır.
Bu tablo yinelemeli orantılı uydurma (IPFP; Deming ve Stephan, 1940) ile bulunur: başlangıç tablosu istenen yerel odds oranlarını taşıyan \exp(\hat\phi\,\mu_j\mu_{j'}) çekirdeğidir; satırlar ve sütunlar sırayla hedef marjinallere ölçeklenir. Ölçekleme odds oranlarını değiştirmez; yakınsamada tablo her iki koşulu sağlar.
29.4.4 Tahmin denklemleri ve Fisher puanlama
- \mathbf y_i, \boldsymbol\pi_i, \mathbf D_i: kümenin tüm ölçümleri alt alta; eksik ölçümü olan küme daha kısa vektörle girer.
- N: küme sayısı. Her adımda \boldsymbol\pi_i, \mathbf D_i ve \mathbf V_i geçerli \boldsymbol\beta^{*} ile yeniden kurulur; yerel odds oranları sabit kalır.
- Durma ölçütü: \max_k\lvert\beta^{*(s+1)}_k-\beta^{*(s)}_k\rvert/\max(\lvert\beta^{*(s)}_k\rvert,10^{-6})\le tolerans.
Koddaki tercih
Başlangıç değerleri multgee içinde, gözlemler bağımsız sayılarak VGAM ile kestirilen aynı modelin katsayılarıdır. Tolerans varsayılanı 0,001'dir (satır 85): yineleme, katsayıların göreli değişimi binde birin altına indiğinde durur. Örnek ayarda bu 5 adımda olur; 10^{-10} toleransla 14 adım gerekir ve katsayılar beşinci–altıncı ondalıkta değişir (ilk eşik −1,843153 ve −1,843143). Yayın düzeyinde yeniden üretilebilirlik isteniyorsa tolerans 10^{-8} ve altına, en çok yineleme 100 ve üstüne alınır. Bağımsızlık yapısında başlangıç zaten çözüme yakın olduğundan varsayılan ayar tek adımda durur ("Yineleme 1").
29.4.5 Model tabanlı ve sandviç kovaryans, Wald testleri
- \mathbf V_{\text{model}} ("SH_model" sütunu): çalışma yapısı doğruysa geçerlidir.
- \mathbf V_{\text{sandviç}} ("SH" sütunu; z, p, güven aralıkları ve Wald testleri bundan): çalışma yapısı yanlış olsa da, küme sayısı büyükken tutarlıdır. Ortadaki toplam, küme katkılarının deneysel değişkenliğidir.
- T: bir terime ait katsayıların dizini (ör.
baselineiçin dört katsayı). "Boş model Wald p", eşikler dışındaki tüm katsayılar için aynı istatistiktir. - Odds oranı sütunları (e^{\hat\beta} ve aralığı) lojit ve nominal modelde, eşik ve kesişim satırları dışında doldurulur (217–220).
Neden iki standart hata birlikte veriliyor?
İkisinin yakınlığı çalışma yapısının veriye uyduğunu gösterir; uzaklığı yapının yanlış olduğunu. Örnek veride tekdüze yapıda oran (sandviç / model) 0,96–1,11 arasındadır. Bağımsızlık yapısında ise trt2 için 0,168 ve 0,126 (oran 1,34), time_f5 için 0,116 ve 0,153 (oran 0,76): bağımlılığı yok sayan model tabanlı SH, denekler arası değişkende fazla iyimser, denek içi değişkende fazla kötümserdir.
29.4.6 Ölçütler
Olabilirlik olmadığından model ve yapı karşılaştırması yarı-olabilirlik ölçütleriyle yapılır. Bağımsızlık altındaki yarı-olabilirlik Q=\sum_{i,t}\log\hat\pi_{it,y_{it}} ile tanımlar:
- p: parametre sayısı. \hat{\boldsymbol\Omega}_I: aynı modelin bağımsızlık yapısıyla kestirilen model tabanlı bilgi matrisi (Pan, 2001; Hin ve Wang, 2009).
- c_1=\operatorname{iz}(\mathbf Q)/p, c_2=\operatorname{iz}(\mathbf Q^2)/p, \mathbf Q=\mathbf V_{\text{model}}^{-1}\mathbf V_{\text{sandviç}} (Rotnitzky ve Jewell, 1990). Yapı doğruysa \mathbf Q\approx\mathbf I ve RJC sıfıra yakındır.
- Küçük değer daha iyidir. \mathrm{QIC}_u ortalama modellerini, CIC ve RJC çalışma yapılarını karşılaştırmak içindir.
"Model özeti" tablosundaki dört ölçüt satırı
Tablonun son dört satırı multgee::gee_criteria çıktısının ilk dört öğesidir ve "QIC", "CIC", "RJC", "QICu" etiketlerini taşır (satır 267, 274). Örnek ayarda bu satırlardaki değerler 1264,3253; 1264,3121; 11,0066; 1,2740'tır. Yukarıdaki tanımların bağımsız hesabı aynı model için \mathrm{QIC}=2269{,}786, \mathrm{QIC}_u=2260{,}273, \mathrm{CIC}=15{,}756, \mathrm{RJC}=0{,}085 verir (29.6 Adım 7). Tablodaki sayılar paketin kendi hesap yolunu izler: ikinci satır paketin \mathrm{QIC}_u, üçüncü satır CIC, dördüncü satır RJC değeridir; paket CIC ve RJC'de model tabanlı kovaryans yerine sandviç kovaryansı, yarı-olabilirlikte gözlenen kategorinin olasılığı yerine başka bir toplamı kullanır. Bu satırlar tanım değerleri gibi okunmaz ve başka yazılımların aynı adlı ölçütleriyle karşılaştırılmaz. Yapı seçimi için iç parametrelerin aralığı ve iki standart hatanın yakınlığı (29.4.5) kullanılır.
29.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–106 | Üstbilgi: kimlik, açıklama, örnek veri ve ayar, on dört parametre. | Form ve varsayılanlar buradan kurulur (Bölüm 1.2). |
| 107–119 | Paket denetimi; multgee yüklenir; sessiz() paketin konsol çıktısını yutar. |
Eksik paket adıyla ve kurulum komutuyla bildirilir (108–116). |
| 121–135 | Sütun çakışmaları; etkileşim ve yapı tutarlılığı; "otomatik" yapının çözülmesi. | Nominal + tekdüze birleşimi burada durur. |
| 136–163 | d kurulur, eksik satırlar atılır; yanıt 1…J'ye, küme 1…N'ye kodlanır; zaman sıralanır; yinelenen zaman ve tekrar denetimi. |
Zaman sayısalsa değeriyle, değilse faktör sıra numarasıyla sıralanır (154). |
| 164–179 | Faktör dönüşümleri; formül: <zaman>_f + ortak değişkenler + etkileşimler; LORgee_control. |
Zaman terimi her zaman faktör olarak girer (173). |
| 181–188 | ordLORgee ya da nomLORgee; uyarılar toplanır. |
Hata iletisine çözüm önerisi eklenir (186–187). |
| 190–226 | Katsayılar, iki kovaryans, terim adları ve numaraları; katsayı tablosu. | Terim adları tasarım matrisinden yeniden kurulur; sayı tutmazsa durur (213). |
| 228–238 | Terim başına sağlam Wald testleri. | Etkileşim ayrı terimdir; ana etkinin testi etkileşim varken koşullu yorumlanır. |
| 240–265 | Yerel odds oranları (en çok 500 satır) ve iç parametreler. | Bağımsızlıkta bu tablolar yazılmaz (243). |
| 267–284 | Model özeti, yanıt kategorileri, uyarılar, özet satırı. | Ölçütler gee_criteria hata verirse sessizce atlanır (267). |
| 286–320 | Katsayı grafiği (lojit/nominalde odds oranı, log ölçek); gözlenen ve uydurulmuş marjinal olasılıklar. | Renkler renk körlüğüne uygun palettendir (287). |
Zaman sütunu seçilmezse (çalıştırma 9) tekrarların sırası küme içindeki satır sırasıdır (160–161) ve modele zaman terimi girmez; örnek veride trt2 katsayısı −0,4978 (SH 0,1677) olur. Veri küme içinde zamana göre sıralı değilse ya da eksik ölçümler satır olarak hiç yoksa bu sıra gerçek zamanla örtüşmez; zaman sütunu varsa her zaman seçilir.
29.6 Elle hesap: örnek veride bağımsız yeniden hesap
Ara değerler dogrulama/sirali_nominal_gee/elle_hesap.py ile, multgee, gnm ve VGAM kullanılmadan hesaplanmıştır: zaman çifti tablolarına Poisson modeli kendi IRLS döngüsüyle, ortak olasılıklar kendi IPFP döngüsüyle (paketle aynı durma kuralı), GEE Fisher puanlamayla. R tarafında (r_dogrulama.R) yerel odds oranı ve iç parametreler stats::glm ile; bağımsızlık yapısındaki katsayılar MASS::polr ve nnet::multinom ile, model tabanlı ve sandviç kovaryans açık formülle kurulmuştur.
Adım 1 — Zaman çifti tabloları. 1. ve 3. ay yanıtlarının birleştirilmiş tablosu (iki zamanda da ölçümü olan 294 hasta; satır 1. ay, sütun 3. ay):
| 1 | 2 | 3 | 4 | 5 | |
|---|---|---|---|---|---|
| 1 | 0 | 5 | 4 | 2 | 0 |
| 2 | 7 | 16 | 18 | 8 | 1 |
| 3 | 3 | 31 | 62 | 24 | 3 |
| 4 | 2 | 5 | 28 | 49 | 12 |
| 5 | 0 | 1 | 2 | 3 | 8 |
Sayımlar köşegen çevresinde yığılır: hastalar durumlarını koruma eğilimindedir. Öteki iki tablo (1–5 ve 3–5) aynı biçimdedir.
Adım 2 — Yerel odds oranı. Üç tabloya ortak \phi'li tekdüze ilişki modeli:
Zaman çiftine özgü kestirimler (iç parametreler) \hat\phi_{1{,}3}=0{,}651784, \hat\phi_{1{,}5}=0{,}909734, \hat\phi_{3{,}5}=0{,}902227'dir; aralık 0{,}909734-0{,}651784=0{,}2579. Karşılık gelen odds oranları 1,919; 2,484; 2,465'tir.
Adım 3 — Bir küme için ortak olasılık tablosu. İlk tam kümenin (ilaç grubu, başlangıç 2) yakınsamış modeldeki 1. ve 3. ay marjinalleri (0{,}0463;\ 0{,}2397;\ 0{,}4547;\ 0{,}2252;\ 0{,}0341) ve (0{,}0464;\ 0{,}2399;\ 0{,}4547;\ 0{,}2250;\ 0{,}0341)'dir. IPFP, \hat\theta=2{,}2574'ü taşıyan ortak tabloyu verir:
| 1 | 2 | 3 | 4 | 5 | |
|---|---|---|---|---|---|
| 1 | 0,0121 | 0,0228 | 0,0105 | 0,0008 | 0,0000 |
| 2 | 0,0228 | 0,0969 | 0,1008 | 0,0184 | 0,0007 |
| 3 | 0,0105 | 0,1010 | 0,2372 | 0,0976 | 0,0083 |
| 4 | 0,0009 | 0,0184 | 0,0977 | 0,0907 | 0,0175 |
| 5 | 0,0000 | 0,0007 | 0,0083 | 0,0175 | 0,0076 |
Sol üst 2\times2 için 0{,}012129\cdot0{,}096948/(0{,}022810\cdot0{,}022837)=2{,}2574: tablo istenen yerel odds oranını taşır. Bağımsızlık altında aynı hücre 0{,}0463\cdot0{,}0464=0{,}0021 olurdu; (1,1) hücresindeki 0,0121 bunun beş katından çoktur.
Adım 4 — Fisher puanlama. Bağımsızlık kestiriminden başlayarak, şablonun durma kuralıyla (tolerans 0,001) 5 adım:
| Parametre | Kestirim | Sandviç SH | Model SH |
|---|---|---|---|
| Eşik 1 | −1,843153 | 0,389291 | 0,365443 |
| Eşik 2 | 0,266916 | 0,350125 | 0,329472 |
| Eşik 3 | 2,231320 | 0,366248 | 0,344537 |
| Eşik 4 | 4,525420 | 0,421229 | 0,379870 |
| time_f3 | 0,001404 | 0,121831 | 0,110894 |
| time_f5 | −0,361715 | 0,113950 | 0,112518 |
| trt2 | −0,512124 | 0,167990 | 0,172152 |
| baseline2 | −0,669628 | 0,380364 | 0,356948 |
| baseline3 | −1,260703 | 0,352518 | 0,339769 |
| baseline4 | −2,643727 | 0,412816 | 0,382804 |
| baseline5 | −3,966127 | 0,531638 | 0,554979 |
Bu değerler multgee'nin yayımlanmış örneğindekilerle (Touloumis, 2015) beş ondalıkta aynıdır.
Adım 5 — Wald çıkarımı (trt2).
Odds oranı e^{-0{,}512124}=0{,}599221, aralığı [0{,}431116;\ 0{,}832876]: ilaç grubunda, herhangi bir kesim noktasının altında (daha kötü durumda) olma odds'u plasebonun 0,60 katıdır.
Adım 6 — Terim testleri. W_{\text{time}}=14{,}3586 (sd 2, p=0{,}000762), W_{\text{trt}}=9{,}2936 (sd 1, p=0{,}002300; z^2'ye eşit), W_{\text{baseline}}=94{,}0978 (sd 4, p=1{,}8\times10^{-19}). Eşikler dışındaki yedi katsayının birlikte testi W=115{,}86 (sd 7).
Adım 7 — Ölçütler (tanımlarıyla). Q=-1119{,}1365, p=11:
| Yapı | \mathrm{QIC}_u | CIC | QIC | RJC |
|---|---|---|---|---|
| Bağımsızlık | 2259,769 | 16,024 | 2269,817 | 1,685 |
| Tekdüze | 2260,273 | 15,756 | 2269,786 | 0,085 |
| Kategori değiştirilebilir | 2260,330 | 15,735 | 2269,800 | 0,074 |
RJC yapıları keskin biçimde ayırır: bağımsızlıkta model tabanlı ve sandviç kovaryans birbirinden uzaktır (1,685), tekdüze yapıda neredeyse aynıdır (0,085). Tekdüze ile kategori değiştirilebilir yapı arasındaki fark küçüktür; tek parametreli tekdüze yapı yeterlidir.
29.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun tablolarından tam hassasiyetle okunmuştur (çalıştırma 1, 2, 3 ve 11). Tekdüze yapının GEE satırlarında R sütunu boştur: R tarafı yerel odds oranını ve bağımsızlık yapısını başka paketlerle kurar; yerel odds oranlı GEE çözücüsü yalnız Python'da yeniden yazılmıştır.
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Tekdüze yerel odds oranı \hat\theta | 2,25736192 | 2,25736192 | 2,25736192 | 2,4e−11 | ✓ |
| İç parametre \hat\phi (zaman 1–3) | 0,6517843 | 0,6517843 | 0,6517843 | 3,5e−13 | ✓ |
| İç parametre \hat\phi (zaman 1–5) | 0,90973405 | 0,90973405 | 0,90973405 | 2,7e−13 | ✓ |
| İç parametre \hat\phi (zaman 3–5) | 0,90222721 | 0,90222722 | 0,90222722 | 1,4e−8 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (eşik 1) | −1,84315345 | −1,84315344 | — | 2,4e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (eşik 2) | 0,26691629 | 0,26691629 | — | 5,2e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (eşik 3) | 2,23131975 | 2,23131975 | — | 2,3e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (eşik 4) | 4,52541975 | 4,52541975 | — | 1,1e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (time_f3) | 0,00140407 | 0,00140407 | — | 2,1e−11 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (time_f5) | −0,36171544 | −0,36171544 | — | 9,2e−11 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (trt2) | −0,51212415 | −0,51212415 | — | 1,9e−10 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (baseline2) | −0,66962814 | −0,66962814 | — | 5,0e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (baseline3) | −1,26070336 | −1,26070336 | — | 4,0e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (baseline4) | −2,64372695 | −2,64372696 | — | 1,9e−9 | ✓ |
| Tekdüze (örnek ayar): \hat\beta (baseline5) | −3,96612656 | −3,96612657 | — | 1,2e−9 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (eşik 1) | 0,38929095 | 0,38929095 | — | 3,4e−10 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (eşik 2) | 0,35012508 | 0,35012508 | — | 5,6e−11 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (eşik 3) | 0,36624809 | 0,36624809 | — | 6,2e−11 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (eşik 4) | 0,42122867 | 0,42122867 | — | 8,2e−11 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (time_f3) | 0,12183111 | 0,12183111 | — | 5,1e−12 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (time_f5) | 0,1139501 | 0,1139501 | — | 2,4e−12 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (trt2) | 0,16798965 | 0,16798965 | — | 2,8e−12 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (baseline2) | 0,38036353 | 0,38036353 | — | 2,7e−11 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (baseline3) | 0,3525179 | 0,3525179 | — | 8,6e−12 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (baseline4) | 0,41281552 | 0,41281552 | — | 6,8e−11 | ✓ |
| Tekdüze (örnek ayar): sandviç SH (baseline5) | 0,5316384 | 0,5316384 | — | 5,8e−11 | ✓ |
| Tekdüze (örnek ayar): model tabanlı SH (eşik 1) | 0,36544251 | 0,36544251 | — | 1,1e−10 | ✓ |
| Tekdüze (örnek ayar): model tabanlı SH (trt2) | 0,17215154 | 0,17215154 | — | 1,4e−13 | ✓ |
| Tekdüze (örnek ayar): model tabanlı SH (baseline5) | 0,55497911 | 0,55497911 | — | 3,5e−11 | ✓ |
| Tekdüze (örnek ayar): z (trt2) | −3,04854596 | −3,04854596 | — | 3,9e−10 | ✓ |
| Tekdüze (örnek ayar): p (trt2) | 0,00229952 | 0,00229952 | — | 9,1e−12 | ✓ |
| Tekdüze (örnek ayar): GA alt (trt2) | −0,84137781 | −0,84137781 | — | 1,9e−10 | ✓ |
| Tekdüze (örnek ayar): odds oranı (trt2) | 0,59922139 | 0,59922139 | — | 1,1e−10 | ✓ |
| Tekdüze (örnek ayar): odds oranı GA üst (trt2) | 0,83287601 | 0,83287601 | — | 1,6e−10 | ✓ |
| Tekdüze (örnek ayar): Wald \chi^2 (time_f) | 14,35856225 | 14,35856224 | — | 5,6e−10 | ✓ |
| Tekdüze (örnek ayar): Wald \chi^2 (trt) | 9,29363248 | 9,29363249 | — | 7,8e−10 | ✓ |
| Tekdüze (örnek ayar): Wald \chi^2 (baseline) | 94,09784349 | 94,09784355 | — | 6,8e−10 | ✓ |
| Tekdüze (örnek ayar): Wald p (time_f) | 7,622156·10−4 | 7,622156·10−4 | — | 3,1e−12 | ✓ |
| “QIC” satırı (paketin formülü) | 1264,3253 | 1264,3253 | — | 0 | ✓ |
| “CIC” satırı (paketin \mathrm{QIC}_u değeri) | 1264,3121 | 1264,3121 | — | 0 | ✓ |
| “RJC” satırı (paketin CIC değeri) | 11,0066 | 11,0066 | — | 0 | ✓ |
| “QICu” satırı (paketin RJC değeri) | 1,274 | 1,274 | — | 0 | ✓ |
| Tekdüze (tolerans 10^{-10}): \hat\beta (eşik 1) | −1,84314294 | −1,84314294 | — | 1,1e−14 | ✓ |
| Tekdüze (tolerans 10^{-10}): \hat\beta (eşik 4) | 4,52543158 | 4,52543158 | — | 2,1e−13 | ✓ |
| Tekdüze (tolerans 10^{-10}): \hat\beta (trt2) | −0,51212466 | −0,51212466 | — | 7,6e−14 | ✓ |
| Tekdüze (tolerans 10^{-10}): \hat\beta (baseline5) | −3,9661387 | −3,9661387 | — | 1,7e−13 | ✓ |
| Tekdüze (tolerans 10^{-10}): sandviç SH (trt2) | 0,16798964 | 0,16798964 | — | 1,6e−14 | ✓ |
| Bağımsızlık: \hat\beta (eşik 1) | −1,85000905 | −1,85000905 | −1,85000905 | 5,1e−13 | ✓ |
| Bağımsızlık: \hat\beta (eşik 2) | 0,23081286 | 0,23081286 | 0,23081286 | 1,1e−12 | ✓ |
| Bağımsızlık: \hat\beta (eşik 3) | 2,18892219 | 2,18892219 | 2,18892219 | 5,3e−13 | ✓ |
| Bağımsızlık: \hat\beta (eşik 4) | 4,48987582 | 4,48987582 | 4,48987582 | 2,5e−13 | ✓ |
| Bağımsızlık: \hat\beta (time_f3) | −0,01266203 | −0,01266203 | −0,01266203 | 8,7e−14 | ✓ |
| Bağımsızlık: \hat\beta (time_f5) | −0,38517961 | −0,38517961 | −0,38517961 | 1,0e−13 | ✓ |
| Bağımsızlık: \hat\beta (trt2) | −0,5642539 | −0,5642539 | −0,5642539 | 4,0e−14 | ✓ |
| Bağımsızlık: \hat\beta (baseline2) | −0,62695495 | −0,62695495 | −0,62695495 | 1,1e−12 | ✓ |
| Bağımsızlık: \hat\beta (baseline3) | −1,18614702 | −1,18614702 | −1,18614702 | 9,2e−13 | ✓ |
| Bağımsızlık: \hat\beta (baseline4) | −2,52811274 | −2,52811274 | −2,52811274 | 4,6e−13 | ✓ |
| Bağımsızlık: \hat\beta (baseline5) | −3,95331255 | −3,95331255 | −3,95331255 | 2,6e−13 | ✓ |
| Bağımsızlık: sandviç SH (eşik 1) | 0,40682746 | 0,40682746 | 0,40682746 | 2,9e−14 | ✓ |
| Bağımsızlık: model tabanlı SH (eşik 1) | 0,28695913 | 0,28695913 | 0,28695913 | 4,9e−15 | ✓ |
| Bağımsızlık: sandviç SH (time_f5) | 0,11600008 | 0,11600008 | 0,11600008 | 2,2e−15 | ✓ |
| Bağımsızlık: model tabanlı SH (time_f5) | 0,15294677 | 0,15294677 | 0,15294677 | 1,3e−15 | ✓ |
| Bağımsızlık: sandviç SH (trt2) | 0,16788223 | 0,16788223 | 0,16788223 | 5,0e−16 | ✓ |
| Bağımsızlık: model tabanlı SH (trt2) | 0,12573511 | 0,12573511 | 0,12573511 | 2,8e−16 | ✓ |
| Bağımsızlık: sandviç SH (baseline5) | 0,53506931 | 0,53506931 | 0,53506931 | 5,0e−14 | ✓ |
| Bağımsızlık: model tabanlı SH (baseline5) | 0,42420428 | 0,42420428 | 0,42420428 | 1,3e−14 | ✓ |
| Bağımsızlık: Wald \chi^2 (time_f) | 15,41805452 | 15,41805452 | 15,41805452 | 4,9e−13 | ✓ |
| Bağımsızlık: Wald \chi^2 (trt) | 11,29638971 | 11,29638971 | 11,29638971 | 1,5e−13 | ✓ |
| Bağımsızlık: Wald \chi^2 (baseline) | 93,18287376 | 93,18287376 | 93,18287376 | 8,9e−14 | ✓ |
| Nominal, bağımsızlık: \hat\beta (Kesişim [0]) | 1,66073121 | 1,66073121 | 1,66073124 | 2,0e−8 | ✓ |
| Nominal, bağımsızlık: \hat\beta (time_f6 [0]) | −1,89711998 | −1,89711998 | −1,89712001 | 1,3e−8 | ✓ |
| Nominal, bağımsızlık: \hat\beta (sec [0]) | −0,53680111 | −0,53680111 | −0,53680117 | 6,0e−8 | ✓ |
| Nominal, bağımsızlık: \hat\beta (time_f6:sec [0]) | −1,13388043 | −1,13388043 | −1,13388036 | 6,2e−8 | ✓ |
| Nominal, bağımsızlık: \hat\beta (Kesişim [1]) | 1,16643489 | 1,16643489 | 1,16643493 | 4,0e−8 | ✓ |
| Nominal, bağımsızlık: \hat\beta (time_f6:sec [1]) | −1,59642805 | −1,59642805 | −1,59642795 | 6,3e−8 | ✓ |
| Nominal, bağımsızlık: sandviç SH (time_f6 [0]) | 0,31955937 | 0,31955937 | — | 3,5e−15 | ✓ |
| Nominal, bağımsızlık: sandviç SH (time_f6:sec [1]) | 0,4132149 | 0,4132149 | — | 2,9e−15 | ✓ |
| Nominal, bağımsızlık: Wald \chi^2 (time_f:sec) | 41,73892842 | 41,73892842 | — | 6,0e−15 | ✓ |
Ölçütü karşılayan: 78/78. Python: zaman çifti tablolarına Poisson log-doğrusal model (IRLS), IPFP ile ortak olasılıklar, Fisher puanlama ve sandviç kovaryans (multgee, gnm, VGAM kullanılmadan); örnek ayar satırlarında şablonla aynı durma kuralı (tolerans 0,001) uygulanmıştır. R: stats::glm (yerel odds oranı, iç parametreler), MASS::polr ve nnet::multinom (bağımsızlık yapısında katsayılar) ile açık formüllü beklenen bilgi ve sandviç kovaryans.
Örnek ayar satırlarında bağımsız hesap şablonla aynı durma kuralını uygular; bu yüzden yakınsamamış beşinci–altıncı ondalıklar da tutar. Ölçüt satırları, paketin hesap yolunun adım adım yinelenmesiyle (29.4.6'daki uyarı) elde edilmiştir ve tablodaki değerleri dört ondalıkta yeniden üretir; tanım değerleri 29.6 Adım 7'dedir.
29.7 Çıktıyı okuma
Örnek ayarın konsol metni:
Not: eksik değerli 18 satır çıkarıldı (tam olmayan kümeler kalan ölçümleriyle kullanılır).
İç parametrelerin aralığı: 0,2579.
Sıralı GEE: 301 küme, 888 gözlem, 5 kategori; yerel odds oranı yapısı 'uniform'. Standart hatalar sandviç (sağlam) kestiricisidir.
Tablolar (örnek ayar; dört ondalık):
| Tablo | Satır | Değerler |
|---|---|---|
| Katsayılar (sandviç SH; logit P(Y ≤ j) = βj0 + x'β; …) | Eşik 1 (≤ 1), 1|2 | kestirim −1,8432; SH 0,3893; SH_model 0,3654; z −4,7346; GA [−2,6061; −1,0802] |
| trt2 | −0,5121; 0,1680; 0,1722; z −3,0485; p 0,0023; GA [−0,8414; −0,1829]; OO 0,5992 [0,4311; 0,8329] | |
| baseline5 | −3,9661; 0,5316; 0,5550; z −7,4602; OO 0,0189 [0,0067; 0,0537] | |
| Terim başına sağlam Wald testleri | time_f / trt / baseline | 14,3586 (sd 2; p 0,00076) / 9,2936 (1; 0,0023) / 94,0978 (4; < 10⁻¹⁸) |
| Kestirilen yerel odds oranları (uniform yapısı; …) | 48 satır | her zaman çifti ve kesim çifti için 2,2574 |
| İç parametreler | 1–3, 1–5, 3–5 | 0,6518; 0,9097; 0,9022 |
| Model özeti | Gözlem 888; Küme 301; Kategori sayısı 5; Yerel OR yapısı uniform; Bağlantı logit; Yineleme 5; Yakınsama evet; Boş model Wald p < 0,0001 | |
| Yanıt kategorileri | kod 1–5 | n = 33, 159, 345, 275, 76 |
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Eşik j (≤ kategori) | \hat\beta_{j0} | Referans koşulda (1. ay, plasebo, başlangıç 1) P(Y\le j)=F(\hat\beta_{j0}). |
| kestirim (eğimler) | \hat\beta | Pozitif: düşük kategoriler daha olası. Örnek veride negatif katsayı iyileşmedir. |
| SH / SH_model | Sandviç / model tabanlı | Çıkarım sandviçle yapılır; ikisinin oranı yapının uygunluğunu gösterir. |
| OO, OO_GA_alt, OO_GA_ust | e^{\hat\beta} ve aralığı | Kümülatif odds oranı; eşik satırlarında boştur. |
| Wald_ki_kare, sd, p | Terimin tüm katsayılarının birlikte testi | Çok düzeyli faktörler tek satırda sınanır. |
| yerel_OO | \hat\theta; kesim j = kategori j / j+1 | Bağımlılığın gücü ve biçimi; 1'den uzaklık bağımlılıktır. |
| ic_parametre | Zaman çiftine özgü \hat\phi_c | Aralık küçükse ortak \phi yeterlidir. |
| Yineleme, Yakınsama | Fisher adımı sayısı; ölçüt sağlandı mı | "hayır" ise en çok yineleme artırılır ya da yapı sadeleştirilir. |
| QIC, CIC, RJC, QICu satırları | gee_criteria çıktısı |
29.4.6'daki uyarı. |
Şekil 29.1. Şablonun çizdiği katsayı grafiği: kümülatif odds oranları ve %95 güven aralıkları, log ölçekte (örnek ayar). Dikey kesikli çizgi 1'dir. `trt2` ve `time_f5` aralıkları 1'in solundadır; başlangıç durumu iyileştikçe odds oranı hızla küçülür.

Şekil 29.2. Gözlenen (nokta) ve uydurulmuş (çizgi) marjinal kategori olasılıkları, zamana göre (örnek ayar). Uydurulmuş değerler, o zamandaki hastaların kestirilen olasılıklarının ortalamasıdır. 5. ayda en iyi iki kategorinin payı artar.

Rapor cümlesi (örnek ayar):
Tekdüze yerel odds oranı yapılı kümülatif lojit GEE modelinde (301 hasta, 888 gözlem; sandviç standart hatalar) ilaç grubunun daha kötü bir öz değerlendirme kategorisinde olma odds'u plasebo grubunun 0,60 katıydı, \hat\beta = -0{,}51 (SH 0,17), z = -3{,}05, p = 0{,}002, %95 GA [0,43; 0,83]. Zaman etkisi anlamlıydı, Wald \chi^2(2) = 14{,}36, p < 0{,}001: 5. ayda daha kötü kategoride olma odds'u 1. aya göre 0,70 katına indi (%95 GA [0,56; 0,87]). Başlangıç durumu güçlü bir yordayıcıydı, Wald \chi^2(4) = 94{,}10, p < 0{,}001. Zamanlar arası yerel odds oranı 2,26 olarak kestirildi.
29.8 Sık hatalar ve tuzaklar
- Katsayının yönünü ters okumak. Bu şablonda pozitif katsayı düşük kategoridir. Düşük kategori "kötü" ise negatif katsayı iyileşme, "iyi" ise kötüleşme demektir. Tablo başlığındaki yön cümlesi ve "Yanıt kategorileri" tablosu birlikte okunur.
- Metin etiketli sıralı yanıtı sırasını tanımlamadan vermek. Örnek verinin yanıtı "cok kotu, kotu, orta, iyi, cok iyi" etiketleriyle verildiğinde kategoriler veri sekmesinde ilk görülme sırasıyla (iyi, cok iyi, orta, kotu, cok kotu), düz metin türünde alfabetik sırayla dizilir; model kurulur ve
trt2katsayısı 0,5450 ya da −0,0581 çıkar. Sayısal kod kullanılır ya da düzey sırası tanımlanır. - Model tabanlı SH ile çıkarım yapmak.
SH_modelyalnız karşılaştırma içindir; z, p ve aralıklar sandviç SH'dendir. - Ölçüt satırlarını yapı seçiminde kullanmak. 29.4.6'daki uyarı: tablodaki dört satır tanım değerleri değildir. İç parametre aralığı ve SH oranları kullanılır.
- Varsayılan toleransı yayın değeri saymak. 0,001'lik tolerans beşinci ondalıkta oynama bırakır; bağımsızlık yapısında tek adımda durur. Başka bir programla karşılaştırma yapılacaksa tolerans sıkılaştırılır.
- Az kümeyle sandviç SH'ye güvenmek. Sandviç kestirici küme sayısı büyükken geçerlidir; 40–50'nin altında aşağı yanlıdır. Şablonun alt sınırı 10 kümedir, ama bu yalnız hesabın yapılabilirliği içindir.
- Koşullu etki beklemek. Katsayılar popülasyon ortalamalıdır ve aynı verinin karma modelindeki katsayılardan mutlak değerce küçüktür. "Aynı hastada ilaç ne yapar" sorusu karma modelin sorusudur.
- Seyrek tabloda karmaşık yapı istemek. RC yapısı her zaman çifti için J-1 puan kestirir; birleştirilmiş tabloda boş hücre çoksa gnm yakınsamaz ve şablon çözüm önerisiyle durur. Küçük bir ekleme sabiti (0,0001) ya da daha yalın yapı seçilir. Örnek veride RC yapısının yerel odds oranları zaman çiftine göre 1,02 ile 3,47 arasında dağılır; bu dağınıklığın çoğu örneklem gürültüsüdür.
- Sürekli ortak değişkeni veri sekmesinde kategorik bırakmak.
agekategorik işaretlenirse her yaş için ayrı katsayı kestirilir; model kurulur ama eşiklerin sandviç SH'si 0,07–0,24'e, model tabanlı SH'si 1,44–1,46'ya gider. İki SH arasındaki böyle bir uçurum, aşırı parametreli modelin işaretidir. - Zamanı sürekli sanmak. Zaman terimi her zaman faktördür; doğrusal eğilim istenirse zaman, ayrı bir sayısal sütun olarak ortak değişkenlere eklenir ve "Ölçüm zamanını faktör olarak modele ekle" kapatılır.
- Etkileşim varken ana etkiyi tek başına yorumlamak.
trt× zaman etkileşimi eklendiğindetrt2katsayısı −0,3243 olur ve yalnız 1. aydaki farkı gösterir; etkileşimin testi W=2{,}697 (sd 2, p=0{,}260) ile anlamlı değildir, etkileşimsiz model yeterlidir.
29.9 Uzman soruları
S1. Çalışma yapısı yanlışsa katsayılar yine de geçerli mi?
Evet; GEE'nin temel özelliği budur. Ortalama modeli doğruysa ve eksiklik tamamen rastgeleyse \hat{\boldsymbol\beta} her çalışma yapısında tutarlıdır; yapı yalnız etkinliği belirler. Örnek veride trt2 katsayısı bağımsızlıkta −0,5643, tekdüzede −0,5121, kategori değiştirilebilirde −0,5046, zaman değiştirilebilirde −0,5496, RC'de −0,5584'tür; farkların en büyüğü 0,060'tır; standart hatanın (0,17) üçte biri dolayındadır. Sandviç SH'ler de yakındır (0,1665–0,1680). Yapının doğruya yakın seçilmesi küçük ve dengesiz örneklemlerde etkinlik kazandırır.
S2. Tekdüze yapı neye dayanarak seçilir?
İç parametreler üç zaman çiftinde 0,65; 0,91; 0,90'dır; aralık 0,26, odds oranı ölçeğinde 1,92–2,48. Tek ortak değer (0,81; odds oranı 2,26) bunların makul bir özetidir. Tanımıyla hesaplanan RJC tekdüzede 0,085, kategori değiştirilebilirde 0,074, bağımsızlıkta 1,685'tir: iki parametreli yapı ile tek parametreli yapı arasında anlamlı kazanç yoktur, bağımsızlık ise açıkça uygunsuzdur.
S3. Yerel odds oranları neden bir kez kestirilip sabit tutuluyor?
Yapı, yanıtların zaman çiftlerine göre birleştirilmiş tablolarından kestirilir; bu tablolar ortak değişkenleri yok sayar. Kestirim \boldsymbol\beta'dan bağımsız olduğundan yinelemeye girmez ve hesap hızlıdır. Bedeli, bağımlılığın ortak değişkenlere göre değişmediğinin varsayılmasıdır. Varsayım tutmasa da sandviç kovaryans geçerliliğini korur; yalnız etkinlik düşer.
S4. Karma modelin katsayılarıyla nasıl karşılaştırılır?
İki model farklı büyüklükleri kestirir. Karma model, verilen bir denek için kategori değiştirme odds'unu; GEE, popülasyonun iki alt grubundaki kümülatif odds oranını verir. Lojit bağlantıda marjinal katsayı, koşullu katsayının yaklaşık 1/\sqrt{1+c^2\sigma_u^2} katıdır (c=16\sqrt3/(15\pi)); denekler arası varyans büyüdükçe fark büyür. İşaret kuralı da terstir (29.4.1). Karşılaştırmada önce işaret eşlenir, sonra ölçek farkı hatırlanır.
S5. Eksik ölçümler nasıl ele alınıyor, hangi varsayımla?
Satır bazında silinir; küme kalan ölçümleriyle girer ve \mathbf V_i yalnız gözlenen zamanlar için kurulur. Örnek veride 12 küme eksik ölçümlüdür. GEE'nin tutarlılığı, eksikliğin yanıta ve geçmiş yanıtlara bağlı olmamasını (tamamen rastgele eksiklik) ister. Terk, önceki kötü yanıtlara bağlıysa kestirimler yanlı olur; ağırlıklandırılmış GEE ya da olabilirlik tabanlı karma model gerekir. Şablon ağırlık almaz.
S6. Orantılı odds varsayımı sınanıyor mu?
Hayır. Sıralı model tüm kesim noktalarında ortak \boldsymbol\beta varsayar. Kaba bir denetim için yanıt nominal seçilerek aynı model yeniden kurulur ve katsayıların kategoriler boyunca düzenli değişip değişmediğine bakılır; ya da her kesim noktası için yanıt ikiye bölünüp temel programın GEE analiziyle ayrı modeller kurulur. Bağlantı seçenekleri (probit, tamamlayıcı log-log, cauchit) varsayımın başka ölçeklerdeki biçimleridir.
S7. Nominal seçenekte temel kategori ve yapı nasıl işler?
Temel kategori son kategoridir ve formdan değiştirilemez; başka bir temel istenirse yanıt yeniden kodlanır. Barınma verisinde (kategoriler 0, 1, 2) denklemler "0 / 2" ve "1 / 2"dir; katsayı tablosunun "kategori" sütunu payı gösterir ve her terim için iki satır vardır. Kira yardımı × zaman etkileşimi W=41{,}74 (sd 6; bağımsızlık yapısı, tolerans 10^{-10}) ile anlamlıdır. Sırasız kategorilerde tamsayı puan anlamsız olduğundan tekdüze ve kategori değiştirilebilir yapılar kapalıdır; zaman değiştirilebilir yapı kategori puanlarını veriden kestirir.
S8. Hangi veride kestirim başarısız olur?
(i) Birleştirilmiş zaman çifti tablosunda bir kategori hiç gözlenmiyorsa log-doğrusal model kestirilemez; ekleme sabiti gerekir. (ii) Bir ortak değişken yanıtı tam ayırıyorsa katsayı ıraksar; multgee "Please insert initial values" ya da pozitif tanımlı olmayan kovaryans hatası verir ve şablon bunu "Model kurulamadı" iletisine çevirir. (iii) Küme sayısı parametre sayısına yakınsa sandviç matrisi tekilleşir. (iv) Aynı kümede aynı zaman iki kez geçiyorsa şablon baştan durur (satır 156).
29.10 Kaynaklar
- Deming, W. E., & Stephan, F. F. (1940). On a least squares adjustment of a sampled frequency table when the expected marginal totals are known. The Annals of Mathematical Statistics, 11(4), 427–444. https://doi.org/10.1214/aoms/1177731829
- Goodman, L. A. (1979). Simple models for the analysis of association in cross-classifications having ordered categories. Journal of the American Statistical Association, 74(367), 537–552. https://doi.org/10.1080/01621459.1979.10481650
- Hin, L.-Y., & Wang, Y.-G. (2009). Working-correlation-structure identification in generalized estimating equations. Statistics in Medicine, 28(4), 642–658. https://doi.org/10.1002/sim.3489
- Liang, K.-Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 73(1), 13–22. https://doi.org/10.1093/biomet/73.1.13
- Lipsitz, S. R., Kim, K., & Zhao, L. (1994). Analysis of repeated categorical data using generalized estimating equations. Statistics in Medicine, 13(11), 1149–1163. https://doi.org/10.1002/sim.4780131106
- Pan, W. (2001). Akaike's information criterion in generalized estimating equations. Biometrics, 57(1), 120–125. https://doi.org/10.1111/j.0006-341X.2001.00120.x
- Rotnitzky, A., & Jewell, N. P. (1990). Hypothesis testing of regression parameters in semiparametric generalized linear models for cluster correlated data. Biometrika, 77(3), 485–497. https://doi.org/10.1093/biomet/77.3.485
- Touloumis, A. (2015). R package multgee: A generalized estimating equations solver for multinomial responses. Journal of Statistical Software, 64(8), 1–14. https://doi.org/10.18637/jss.v064.i08
- Touloumis, A., Agresti, A., & Kateri, M. (2013). GEE for multinomial responses using a local odds ratios parameterization. Biometrics, 69(3), 633–640. https://doi.org/10.1111/biom.12054
- Turner, H., & Firth, D. (2023). gnm: Generalized nonlinear models (R package version 1.1-5). https://doi.org/10.32614/CRAN.package.gnm
- Yee, T. W. (2015). Vector generalized linear and additive models: With an implementation in R. Springer. https://doi.org/10.1007/978-1-4939-2818-7