縦方向データの線形混合モデル：連続的な時間と順序付けられていない係数vs順序付けされた係数

Question

ここで私はいくつかの縦方向のデータを作成しました。変動する結果は、患者からのバイオマーカーレベルである。可変訪問は訪問ラベルを表します。可変時間はベースラインt1からの日数を意味する。応答ステータスには、「はい」と「いいえ」の2つがあります。私が見つけたいのは、タイムコースでレスポンダーと非レスポンダーの間にバイオマーカーレベルに差があるかどうかです。

私は解析に線形混合モデルを使用します。

#generate data  
df = data.frame(result = rnorm(200)+2, 
      visit = rep(c('t1', 't2', 't3', 't4', 't5'), 40), 
      time = rep(c(0, 8, 14, 30, 60), 40), 
      response = rep(c('yes', 'no'), each=100), 
      id = rep(1:40, each=5)) 

# run lme model 
library(lme4) 
library(lmerTest) 
lmer(result~time*response+(1|id),data=df) 
lmer(result~factor(visit)*response+(1|id), data=df) 
lmer(result~factor(visit, ordered=TRUE)*response+(1|id), data=df) 

私の質問は：この分析で 1.、私は時間（連続）または訪問（因子）を使用する必要がありますか？
2.訪問（要因）を使用している場合は、注文または順序付けを解除する必要がありますか？ どのタイプの時間変数を使用するか（係数対連続）を選択する上でのガイドラインはありますか？

ありがとうございます。

Answer 1

...私は訪問時間を連続変数または因子として扱うべきですか？

私はあなたが（適切に）同じ時期の観察に同じランダム効果の用語を付したいと思っているからです。しかし、それはすべての訪問レベルとtimeが同時に落ちる場合にvisitsのランダムな効果を持つことと同じになります。例えば、id = 2は時間t = 60

> df[df$id == 2, ] 
     result visit time response id 
5 1.84451763 t1 60  no 2 
6 1.30286252 t2 0  no 2 
7 0.40109211 t3 8  no 2 
8 -0.01516773 t4 14  no 2 

でその拳の訪問を持っているので、彼らはあなたの例では、私はそれで何か問題があると理解していないのに、私は選択肢が各個人がランダムを持っている場合には(time|id)ようなものになるだろうと思います時間の傾きまたは(time|response)であり、その場合、2つの応答カテゴリのそれぞれはランダムな傾きを有する。あなたのアプリケーションでそれは意味をなさないでしょうか？