Existe-t-il une implémentation R pour certains modèles mixtes de procédure statistique de régression quantile?

Je voudrais trouver une solution pour effectuer un modèle à effets mixtes de régression quantile.

De ma recherche Google, je n'ai pas pu trouver une implémentation R pour une telle procédure (seulement des avertissements que " ce n'est pas pour les timides ").

Je voudrais résoudre une situation simple où nous avons un x un y et une variable "sujet".

Avez-vous des suggestions sur quoi faire avec cela?

La mesure dans laquelle on peut répondre à votre question dépend du type d'étude que vous envisagez. Roger Koenker a effectué des travaux sur la régression quantile pour les données longitudinales ou de panel. Certains détails, un document et un premier ensemble de codes R sont disponibles sur le site Web de Roger .

Notez le message sur cette page Web selon lequel il est maintenant plus facile de faire les méthodes discutées dans l'article en utilisant qrss()le paquet quantreg, en réduisant les effets fixes en utilisant la pénalité de lasso.

Récemment, le package lqmm "Linear Quantile Mixed Models" a été téléchargé sur CRAN. Bien que je ne l'ai jamais utilisé, le paquet lqmm semble faire ce que vous voulez.

Cette présentation de useR! La conférence de 2011 montre quelques exemples du paquet. Voici une description du package tirée de useR! Résumés de la conférence 2011:

La régression quantile conditionnelle (QR) se rapporte à l'estimation de quantiles inconnus d'un résultat en fonction d'un ensemble de covariables et d'un vecteur de coefficients de régression fixes. Au cours des dernières années, la nécessité d'étendre les capacités de QR pour des données indépendantes afin de traiter des plans d'échantillonnage en grappes (par exemple, des mesures répétées) a conduit à plusieurs approches très distinctes. Ici, je considère l'approche basée sur la vraisemblance qui repose sur la relation stricte entre le problème de la norme L₁ pondérée associé à un modèle QR conditionnel et la distribution asymétrique de Laplace (Geraci et Bottai, 2007).

Dans cette présentation, j'illustrerai l'utilisation du package R lqmm pour effectuer un QR avec des effets mixtes (fixes et aléatoires) pour un modèle imbriqué à deux niveaux. L'estimation des coefficients de régression fixes et de la matrice de covariance des effets aléatoires est basée sur une combinaison d'approximations en quadrature gaussienne et d'algorithmes d'optimisation. Les premiers incluent les quadratures de Gauss-Hermite et de Gauss-Laguerre pour, respectivement, des effets aléatoires normaux et à double exponentielle (c.-à-d., Laplace symétrique); ces derniers incluent un algorithme de recherche de boussole modifié et des optimiseurs à usage général (optim et optim). Les questions de modélisation et d'inférence sont détaillées dans Geraci et Bottai (2011) (un avant-projet est disponible sur demande). Le package fournit également des commandes pour le cas de données indépendantes.

J'ai téléchargé sur le CRAN un package appelé qrLMM disponible ici

http://cran.r-project.org/web/packages/qrLMM/index.html

où il fait exactement ce que vous recherchez et également dans un document à soumettre bientôt, nous prouvons que nous obtenons de meilleures estimations (bies inférieurs et erreurs standard) dans tous les scénarios que le paquet lqmm de Geraci (2014). J'espère que cela sera utile pour de futures recherches.