我的问题是关于进行混合效应和二项式反应的纵向试验 .
我有一个重复测量试验数据来分析：患者接受4种治疗（安慰剂和3种装置） - 每位患者随机接受某种治疗，无需开关 - 并检查三次 . 考试结果是二项式：TRUE / FALSE .
这三个时间点是：第3周，第16周，第24周 . 我现在在想，治疗是更好还是持续 .
我想通过结合混合效应模型来分析治疗组与时间之间的关系 .
我的模型是这样的：考试< - 时间*手臂（1次手臂|患者）
我期待受试者内部的自相关 . 我想试验：Toeplitz，AR（1）和非结构化残差协方差矩阵 .
如公式所示，随机效应矩阵涉及所有随机效应之间的相关性：斜率和截距 . 我希望初始反应低的患者随着时间的推移和治疗过程有更陡的反应 . 我预计治疗和安慰剂之间的斜率会有所不同 . 我预计，随着时间的推移，至少成功的趋势比例不会下降，也就是说，随着时间的推移，将会对越来越多的患者进行积极的检查（对每个受试者进行3次检查） .
分布是二项式的logit链接功能 .
我还想以某种方式验证SAS的输出，因此优化方法应该与SAS使用的方法相当 . 使用哪种SAS程序无关紧要 .
我可以考虑ML，REML，拉普拉斯，惩罚准似然 . 优化还可以涉及Nelder-Mead方法 .
我听说，PQL的计算质量最差，拉普拉斯是最好的 .
我想过：
-
nlme - 它支持残差协方差结构，但不处理非高斯分布
-
lme4 - 处理二项分布，有很多额外的工具，很好地使用单模型anova函数，给我边际效果（在没有强相互作用的情况下），但不处理除对角线以外的残差协方差结构，这是纵向模型错误，因为检查可能是自相关的
我害怕将其用于纵向试验 .
-
glmmPQL处理这两种功能，但质量很差，根据定义没有ML / REML
-
glmmTMB - 处理两者，但相对较新，我不知道它的测试情况如何，如果我可以相信它？还引发了关于使用AR1进行拦截的问题 - 这是因为截距“仅”代表单个点（X =“0”），因此随着时间的推移不具有自相关性？
这种分析，混合效应逻辑纵向模型甚至可能在R？我假设人们过去以某种方式管理具有R协方差的非高斯混合模型 .