如何用R的lme包实现有序逻辑回归？含联合模型相关疑问

1. 核心可行性结论 #

完全可以在lme框架（结合JM包）实现你的需求。nlme包的lme()函数支持广义线性混合模型（GLMM），有序逻辑回归作为GLMM的子类，可通过指定对应分布族和链接函数实现；JM包能将这类有序纵向模型与生存模型进行联合建模。

2. 模拟数据+实操步骤 #

步骤1：加载依赖包 #

library(nlme)
library(JM)
library(MASS)

步骤2：模拟符合要求的数据集 #

先生成个体随机效应，再构建有序纵向结局，最后生成和纵向过程关联的生存数据：

set.seed(123)
n <- 200  # 个体数量
times <- seq(0, 5, by = 1)  # 纵向观测时间点
n_times <- length(times)

# 模拟个体水平随机效应（截距+斜率）
id <- rep(1:n, each = n_times)
b0 <- rnorm(n, 0, 0.5)
b1 <- rnorm(n, 0, 0.3)

# 生成纵向结局的线性预测器
X <- model.matrix(~ times, data = data.frame(times = rep(times, n)))
eta <- X %*% c(0.2, 0.5) + b0[id] + b1[id] * rep(times, n)

# 生成3等级有序响应
cutpoints <- c(-1, 1)
y <- cut(eta, breaks = c(-Inf, cutpoints, Inf), labels = c("Low", "Medium", "High"))
y <- as.ordered(y)

# 纵向数据集
long_data <- data.frame(id = id, time = rep(times, n), y = y)

# 模拟生存数据（关联纵向随机效应）
surv_eta <- 0.3*b0 + 0.4*b1
surv_time <- rexp(n, rate = exp(surv_eta))
event <- rep(1, n)  # 假设全部发生事件
surv_data <- data.frame(id = 1:n, time = surv_time, event = event)

步骤3：拟合有序纵向混合模型 #

如果lme直接支持ordinal族，可用以下代码：

long_model <- lme(y ~ time, random = ~ time | id, data = long_data, 
                  family = ordinal("logit"))

若版本兼容问题，改用MASS包的glmmPQL（基于lme框架）：

long_model <- glmmPQL(y ~ time, random = ~ time | id, data = long_data, 
                      family = polr("logit"))

步骤4：构建联合模型 #

用JM包将纵向模型与生存模型关联，示例采用当前值关联（生存风险与纵向结局的当前水平挂钩）：

# 先拟合单独的Cox模型
surv_model <- coxph(Surv(time, event) ~ 1, data = surv_data, x = TRUE)

# 构建联合模型
joint_model <- jointModel(long_model, surv_model, 
                          timeVar = "time",
                          method = "spline",
                          association = list("currentValue" = TRUE))

# 查看结果
summary(joint_model)

3. 关键细节提示 #

• 有序纵向模型的lme逻辑：本质是把有序响应转换成累积logit模型，通过随机效应引入个体异质性，核心是指定合适的有序分布族。
• 联合模型关联方式：JM包支持当前值、斜率、积分值等多种关联结构，可根据研究假设调整association参数。
• 模拟数据核心：确保有序纵向结局通过阈值划分生成，同时让生存时间与纵向随机效应绑定，还原联合模型需要的依赖关系。

内容的提问来源于stack exchange，提问作者Bryan