使用lcmm包构建潜类别增长模型：协变量添加位置咨询

背景 #

我正在使用R语言的lcmm包构建潜类别增长模型，数据集为长格式，前两行数据如下：

ID    target    time   age     diabetes
1     3.2       1      56      0
1     1.1       2      56      0

基础模型代码如下：

m1 <- hlme(target ~ poly(time, degree=3, raw=TRUE), 
           subject = "ID", 
           random = ~poly(time, degree=3, raw=TRUE), 
           mixture = ~poly(time, degree=3, raw=TRUE), 
           ng = 2, 
           data = mydata)

问题 #

我的目标是依据target变量识别潜类别，现有与target相关的两个协变量age和diabetes，不确定该将它们添加到模型的哪个位置。请问应选择如下哪种方式？还是两者都添加？

选项(A) #

m1 <- hlme(target ~ poly(time, degree=3, raw=TRUE) + age + diabetes, 
           subject = "ID", 
           random = ~poly(time, degree=3, raw=TRUE), 
           mixture = ~poly(time, degree=3, raw=TRUE), 
           ng = 2, 
           data = mydata)

选项(B) #

m1 <- hlme(target ~ poly(time, degree=3, raw=TRUE), 
           subject = "ID", 
           random = ~poly(time, degree=3, raw=TRUE), 
           mixture = ~poly(time, degree=3, raw=TRUE), 
           classmb= ~age + diabetes, 
           ng = 2, 
           data = mydata)

解析与结论 #

这两个选项的作用完全不同，需根据你的研究假设选择：

• 选项(A)：将age和diabetes加入target的固定效应公式，核心作用是调整所有潜类别中target的整体生长水平。这类协变量会影响所有个体的target均值，但不会改变个体被分配到不同潜类别的概率，也不会让不同类别的轨迹差异与协变量关联。

• 选项(B)：将协变量加入classmb参数，核心作用是预测个体的潜类别归属概率。也就是说，age和diabetes会直接影响个体被分到某一潜类别的可能性，但不会直接改变每个潜类别的生长轨迹形状或水平。

具体选择逻辑：

1. 若假设协变量仅影响target的整体水平，不影响潜类别划分 → 选(A)
2. 若假设协变量仅影响潜类别的归属概率，不直接改变轨迹 → 选(B)
3. 若同时存在两种效应 → 可将协变量同时加到两个位置（即结合A、B的写法），但需验证模型拟合效果，避免过度拟合。

注：你的age和diabetes属于时间不变协变量（每个ID的取值固定），加到这两个位置均无需额外处理时间变异问题。

内容的提问来源于stack exchange，提问作者Fan Zhang