gmv接头

是什么gmv接头?

• “克通用”
• 米多用途v（v）咏叹调
• 接头模型。

gmv接头允许用户拟合生存和多元纵向数据的联合模型，其中纵向子模型由广义线性混合模型（GLMM）指定。使用Bernhardt首次提出的近似EM算法，通过最大似然法拟合联合模型等. (2015). GLMM使用与包相同的语法指定通用TMB（布鲁克斯等., 2017). 然后，关节模型本身是对Wulfsonhn和Tsiatis（1997）中的模型的灵活扩展。用户能够在许多不同的响应类型下模拟数据。

目前，可以拟合六个族：高斯；泊松；二项式；伽玛射线；负二项式；和广义泊松。

安装

您可以按常规方式安装CRAN的最新“官方”版本：

安装.包(“gmvjoint”)

或使用的最新开发版本开发工具:

开发工具::安装github('jamesmurray7/gmvjoint')

MacOS用户可能对交换他们的BLAS库为Mac硬件提供最佳BLAS实现(vecLib（虚拟图书馆）).

例子

为了拟合关节模型，我们首先需要指定纵向和生存子模型。

纵向子模型必须是一个列表，其中包含纵向过程的规范及其随机效果结构，语法与通用TMB模型（其本身与广泛使用的模型相同lme4公司). 例如，假设我们想在经常使用的PBC数据上拟合一个三变量模型，在白蛋白上用线性时间药物相互作用项，在（记录的）血清胆红素上用样条函数项，在蜘蛛上用线性拟合，我们指定

数据（中国人民银行）
中国人民银行<- 子集（人民银行，选择= c（c）(“id”,“生存期”,'状态',“毒品”,“时间”,
                              “serBilir”,“白蛋白”,“蜘蛛”))
PBC公司<- na.省略（中国人民银行）
长形<- 列表(
白蛋白~ 药物* 时间+ (1 + 时间|id），
  日志（塞尔维亚）~ 药物* 样条曲线::纳秒（时间，三)+ (1 + 样条曲线::纳秒（时间，三)|id），
蜘蛛~ 药物* 时间+ (1|标识）
)

我们注意到相互作用和花键时间拟合是可能的。

生存子模型必须使用Surv（）来自生存包装，例如。

形式调查<- Surv公司（生存时间、状态）~ 药物

目前生存子模型规范中的交互项不受支持。

现在我们可以通过主主马函数进行联合模型调用共同的。这显然需要一个列表家庭争论必须以所需顺序进行匹配，作为纵向流程列表。然后通过以下方式拟合关节模型

配合<- 共同的(长公式=长公式，调查公式=surv.公式，数据=中国人民银行，
             家庭= 列表(“高斯”,“高斯”,“二项式”))
总结（适合）

其中记录了额外的控制参数?共同的。对于某些家庭，我们可以额外供应显示公式其中规定了相应纵向过程的弥散模型。对象类存在许多S3方法共同的创建：总结（）,logLik（）,固定（）,雷纳（）,已安装（）,剩余（）、和vcov（）.LaTeX-ready表也可以通过S3方法生成xtable（）。可以使用模拟数据（）功能。

我们通过动态预测从一组联合模型参数估计值过渡到预测值dynPred（动态预测）。我们可以评估接头（）模型拟合世界车王争霸赛功能。

待办事项列表

目前最大的限制是需要相对严格的数据结构以及对共同的功能。下面列出了这些（已知的）限制和放松计划。

• 纵向信息：纵向时间参数必须被命名时间和主题标识符（我们根据其“分割”随机效果）身份证件.不确定我是否会改变这些；我认为多做一点用户预处理并不是坏事，而另一种选择是打一个更拥挤的电话给共同的我不会喜欢的。
• 其他：数据必须平衡（即否不适用值）；这将在以后的更新中修复。目前我不认为这是最大的问题，建议使用na.省略例如。此外，id变量必须增量不超过一。那就是，数据$id=1,1,2,2,2,2,3,3,3很好，但是数据$id=1,1,1,1,3,3,3,1,4不是。这是由于数据矩阵是如何在内部创建的，并将在未来得到修复。
  2023年6月更新：由于呼叫和数据直接传递给全球移动通信协会，可以分配这些唯一索引1:n个但目前还没有对此进行任何处理。
• 使用cli包制作进度条（可能……）。

请注意，我是一名博士生，S3方法（和一些函数本身）很大程度上是由我需要的东西产生的，或者在某些时候会是一个好主意！

工具书类

Bernhardt PW、Zhang D和Wang HJ。一种快速EM算法，用于拟合受检测限约束的多个纵向协变量的二元响应联合模型。计算统计与数据分析2015;85; 37–53

Mollie E.Brooks、Kasper Kristensen、Koen J.van Benthem、Arni Magnusson、Casper W.Berg、Anders Nielsen、Hans J.Skaug、Martin Maechler和Benjamin M.Bolker（2017年）。glmmTMB平衡零膨胀广义线性混合建模软件包之间的速度和灵活性。R杂志,9(2), 378-400.

Murray，J和Philipson P.生存和多元纵向数据联合模型的快速近似EM算法。计算统计与数据分析2022

Wulfsohn MS，Tsiatis AA。生存率和纵向数据的联合模型（误差测量）。生物识别。1997;53(1), 330-339.