r - 当缺少结果时，使用 nlme 正确建模纵向相关性 (R)

Question

我有长格式的纵向数据，对于前两个主题，它看起来像这样:

  id X  M     Y
1  1 0 M1  2.53
2  1 0 M2  1.45
3  1 0 M3  1.17
4  1 0 M5  0.78
5  1 0 M7 -0.95
6  1 0 M9 -0.07
7  2 1 M1 -0.81
8  2 1 M2 -1.66
9  2 1 M3 -0.01
10 2 1 M5  0.39

M1到M9表示九个不同的固定测量场合。与纵向数据一样，一些结果 Y缺失。主题 id 1 错过了 M4、M6、M8 和 id 的结果2 错过了 M4 和 M6 到 M9。数据中的其他主体在不同点丢失数据。
与 lme 拟合的随机截距模型随着场合和协变量 X因为固定效应是

lme(fixed = Y ~ M + X, random = ~ 1 | id , data  = dat)

众所周知，这隐含地产生了复合对称相关结构，并且只要缺失的结果是 MAR，估计值就是一致的。如果复合对称性不合理，则可以选择添加随机斜率或指定不同的相关结构，例如非结构化。

lme(fixed = Y ~ M + X, random = ~ 1 | id , data  = dat, correlation = corSymm())

然后在输出中我得到 M1 到 M9 的组内相关矩阵。然而，如何 lme知道哪个时间点 M是相邻的，即排序是什么以及两个结果不相邻的地方？例如，对于 id 1，它看起来像 lme将采用 M1、M2、...、M6 的前 6 个测量值，而不是 M1、M2、M3、M5、M7 和 M9。所以我担心非结构化相关矩阵被错误地估计。有没有办法把信息传给 lme每个 Y 关注哪些时间点？

Answer 1

如果 M1 到 M9 是固定的测量场合，则可以将它们识别为时间并作为连续变量处理。

library(nlme)
# arbitrary time selected from the measurement occasion labels
dat$T <- as.numeric(sub("M", "", dat$M))
lme(fixed = Y ~ T + X, random = ~ 1 | id , data  = dat) 

或者， corSymm结构可以包含有关时间协变量的信息并定义测量的顺序。

corSymm(form = ~ T)

请注意 T必须包含一系列连续整数才能成功用作相关结构中的时间协变量。