本文介绍了多轨迹建模方法（Group-Based Multivariate Trajectory Modeling），这是一种扩展了单指标组基轨迹建模的技术，用于分析多个疾病生物标志物或临床重要因素的联合轨迹，以更好地理解和追踪疾病进程、行为或健康状态的变化。多轨迹建模利用有限混合模型，识别出遵循相似多指标轨迹的个体群体。这种方法克服了传统统计分析在处理多变量纵向数据时的局限性，允许同时分析多个相关指标。通过两个示例展示了该模型的实施过程和应用。
1. 引言
- 现有统计方法通常未能充分利用多变量纵向数据中的信息来研究疾病进展的多个指标。
- 多轨迹建模旨在通过同时分析多个指标的轨迹，提高对疾病发展等的理解。
2. 多轨迹建模方法
- 基于有限混合模型，多轨迹建模扩展了单指标的组基轨迹建模。
- 每个轨迹群由多个指标的轨迹定义，而不是仅一个指标。
3. 确定组数
4. 实现方法
4.1 准备阶段
install.packages("gbmt")
library(gbmt)
data(agrisus2)4.2 分析阶段
1. 进行gbmt分析，以每个国家为一个个体，ng=创建的组数,d=表示组轨迹的多项式次数。默认值为 2,scaling=归一化方法，应表示为：0（无归一化）、1（居中）、2（标准化）、3（与平均值的比率）和4（与平均值的对数比率）。默认值为 2（标准化）
varNames <- c("TFP_2005", "NetCapital_GVA", "Income_rur", "Unempl_rur", "GHG_UAA", "GNB_N_UAA") # 定义6 个自变量
m3_2 <- gbmt(x.names=varNames, unit="Country", time="Year", d=2, ng=3, data=agrisus2, scaling=4) # 分为3组
m3_2$assign.list
m3_2$fitted
summary(m3_2)m4_2 <- gbmt(x.names=varNames, unit="Country", time="Year", d=2, ng=4, data=agrisus2, scaling=4) # 分为4组
rbind(m3_2$ic, m4_2$ic)