如何在R中开展时间序列有序逻辑回归分析及相关建模咨询

1. 模型适用性与时间维度处理 #

你的场景更适合混合效应累积链接模型（重复测量有序回归），而非狭义的时间序列模型（狭义时间序列针对单序列的时间依赖，你的是多受试者的纵向重复测量数据）。若将每个受试者视为独立时间序列，也可归为纵向有序数据建模范畴。

处理时间维度的常见方式：

• 将时间设为分类变量（如time1/time2/time3），可直接检验不同时间点的结局差异；
• 将时间设为连续变量，假设结局随时间呈线性变化；
• 加入时间的多项式项（如time²），捕捉非线性时间趋势；
• 核心必须纳入受试者水平的随机效应（如随机截距），以此控制受试者内相关性，避免标准误偏倚。

2. R语言实现方法 #

核心工具包与函数 #

• ordinal包：提供clmm()函数，可拟合混合效应累积链接模型（支持随机截距/斜率，适配有序结局的重复测量）；
• brms包：基于贝叶斯框架，灵活性极高，可轻松构建复杂的混合效应有序回归模型。

示例代码 #

基于ordinal的频率学模型

library(ordinal)
# 假设数据为长格式：id（受试者ID）、time（时间点）、y（有序结局）、covs（协变量）
fit_clmm <- clmm(y ~ time + covs + (1|id), data = your_data, link = "logit")
summary(fit_clmm)

基于brms的贝叶斯模型

library(brms)
fit_brm <- brm(
  formula = y ~ time + covs + (1|id),
  data = your_data,
  family = cumulative(link = "logit")
)
summary(fit_brm)

3. 模型前后的假设检验 #

建模前 #

• 比例优势假设（PO假设）：这是累积链接模型的核心前提，即协变量对各有序类别间对数优势比的影响一致。可通过ordinal包的nominal_test(fit_clmm)检验，若假设不成立，需改用广义有序模型。
• 数据格式：确保数据为长格式（每个受试者的每个时间点对应一行），缺失值需提前处理（如多重插补）。

建模后 #

• 随机效应显著性：检查随机截距的方差是否显著大于0，验证受试者内相关性的存在；
• 模型拟合优度：用AIC/BIC比较不同模型（如时间分类vs连续），贝叶斯模型可采用LOO交叉验证；
• 残差分析：针对有序结局，可绘制分位数残差图，评估模型拟合效果。

4. 替代模型推荐 #

如果混合效应累积链接模型不适用，可考虑以下方案：

• 广义有序逻辑回归（GOLR）：当比例优势假设不成立时，用ordinal包的clmm2()或VGAM包的vglm()拟合，允许协变量对不同类别间的优势比产生异质性影响；
• 多水平马尔可夫有序模型：若结局当前状态依赖于前一时间点的状态（存在时间依赖性），可拟合该模型，brms或mgcv包支持实现；
• 转换型线性混合模型：将有序结局转换为连续变量（需满足正态性等假设），用lme4拟合，但会损失有序信息，仅在特定场景下使用；
• 广义估计方程（GEE）：针对重复测量数据，无需随机效应假设，用geepack包的geeglm()拟合有序结局模型，适合大样本场景。

内容的提问来源于stack exchange，提问作者Karl A