¿qué es la membresia multiple?

Modelo multinivel con clasificación cruzada

ResumenEn el presente estudio, nos centramos en los modelos que manejan varias complejidades de la estructura de datos simultáneamente. Introducimos y evaluamos el modelo multivariante de efectos aleatorios de afiliación múltiple (MV-MMREM) para manejar datos de afiliación múltiple en escenarios con resultados múltiples y relacionados. Aunque un estudio reciente introdujo la idea del MV-MMREM, ninguna investigación ha evaluado directamente su estimación ni ha demostrado su uso con datos reales. Por lo tanto, utilizamos conjuntos de datos reales de afiliación múltiple que incluían resultados múltiples y relacionados para demostrar la interpretación de los parámetros del MV-MMREM. Además, se realizó un estudio de simulación para evaluar la estimación del MV-MMREM bajo una serie de condiciones de diseño. También se evaluó la solidez de los resultados para los datos multivariados de afiliación múltiple cuando se analizaron utilizando un modelo lineal jerárquico multivariado que ignora la estructura de afiliación múltiple (MV-HLM), así como cuando se utilizan múltiples MMREM univariados. Los resultados mostraron que el MV-MMREM funciona bien en comparación tanto con el MV-HLM como con los MMREM univariantes cuando la estructura de datos tenía resultados de ausencia, resultados multivariantes y conglomerados de pertenencia múltiple. Por último, discutimos las limitaciones del MV-MMREM y las áreas de investigación futura.

Modelos de pertenencia múltiple en r

En mi limitada comprensión, parece muy similar a un modelo de clasificación cruzada. Es decir, las unidades de un nivel no “pertenecen” a un único nivel de otro nivel, sino que pueden pertenecer a muchos. Así, en un entorno sanitario, un paciente puede ser tratado en un hospital por una enfermedad, y en otro hospital por otra enfermedad, por lo que los pacientes no están anidados en los hospitales – parecen cruzados. ¿Se trata de una afiliación múltiple? Si es así, ¿en qué se diferencia de los modelos de clasificación cruzada? Sé que los modelos de clasificación cruzada son muy comunes en el mundo de los modelos mixtos, así que supongo que es lo mismo con la pertenencia múltiple, aunque no veo mucho sobre la pertenencia múltiple en la literatura de los modelos mixtos.

Estoy de acuerdo en que esto puede ser confuso. Pero antes de responder, me gustaría ser un poco pedante y mencionar que la pertenencia múltiple (y la anidación, y el cruce) no es una propiedad del modelo. Es una propiedad del diseño del experimento/estudio, que se refleja en los datos, que luego son encapsulados por el modelo.

Modelos de membresía múltiple de clasificación (mmmc)

Me gustaría modelar un modelo de membresía múltiple de clase cruzada con brms. Tengo datos de los estudiantes al principio y al final del curso académico y quiero evaluar la influencia de las prácticas docentes en estas variables (ya sea controlando las variables de referencia en T1 o creando puntuaciones de diferencia T3 – T1).

Mi estructura de datos es la siguiente: Tengo alumnos anidados en aulas y profesores. Algunos alumnos cambian de aula a lo largo del año (por lo tanto, son miembros múltiples de aulas y profesores) y algunas aulas cambian de profesores a lo largo del año o son impartidas por varios profesores simultáneamente a lo largo del año.

Estoy empezando a averiguar cómo se especifican estos modelos (empezando por la configuración de los datos) y creo que ahora entiendo más o menos lo que tendría que hacer si sólo tuviera el nivel de aula o de profesor. Es decir, asignar IDs para la primera y segunda aula así como pesos para estas aulas. Pero no estoy seguro de qué hacer porque tengo dos factores de agrupación. ¿Tengo que crear también los ID de los profesores 1 a k y sus pesos 1 a k? Así que, básicamente, tener encabezados de columna como este Tid1st Tid2nd Tid3rd Tid4th WT1st

Lemma multinivel

Considere una situación en la que tenemos múltiples elementos de algún tipo que tienen efectos asociados, pero no podemos asociar las observaciones con elementos individuales; en su lugar, cada observación se asocia con un grupo de elementos. (Dos ejemplos que han surgido son (1) la autoría de los artículos y (2) los jugadores de hockey de un equipo). No son exactamente idénticos a los “modelos multi-membresía” (creo), aunque técnicas similares a las mostradas aquí podrían funcionar para los modelos multi-membresía.

Dado que elegimos qué elementos/individuos incluir para cada observación de forma aleatoria e independiente (Bernoulli con probabilidad 0,25), tenemos un número muy variable de individuos presentes para diferentes observaciones (1-11). Esto sería realista para algunos ejemplos (autoría), irreal para otros (hockey) … No creo que realmente hace mucha diferencia computacionalmente (estadísticamente, tener algunas observaciones con un solo miembro debe hacer la estimación más potente …) La matriz 0/1 (variable indicadora para si el elemento \(i\) se incluye en la observación \(j\)) es conveniente, y resultará ser la forma que necesitamos para la inclusión en el modelo. Debería ser bastante sencillo convertir otras formas (por ejemplo, una lista de conjuntos de elementos asociados a cada observación) a esta forma …