㈠ 课件中纵向数据的特点列举的有几项
纵向数据(Longitudinaldata)或面板数据(Paneldata)面板数据，即PanelData，是截面数据与时间序列综合起来的一尘闷种数据资源。
横截派誉弯面数据(Cross-sectionaldata)横截面数据是指在某一时点收集的不同对象的数据。它对应同一时点上不同空间(对象)所组成的一维数据集合，研究的是某一时点上的某种经济现象，突出空间(对象)的差异。横截面虚差数据的突出特点就是离散性高。
时间序列数据(Time-seriesdata)时间序列数据是指对同一对象在不同时间连续观察所取得的数据。
3、纵向数据(Longitudinaldata)或面板数据(Paneldata)面板数据，即PanelData，是截面数据与时间序列综合起来的一种数据资源。
㈡ 医学生都想学的纵向随访数据分析，你学会了吗
作者丨Lily
来源丨医数思维云课堂（ID:Datamedi）
在医学临床实验研究中，我们经常会收集到患者的多次 重复测量纵向随访数据 ，即每一个患者都有多次观测值，这些观测值是在不同时间记录的，观测次数、时间和间隔都不一定一样，且多次观测值都具有潜在相关性，往往在做分析时是我们更需要关注的。
那么问题来了，面对不同于我们经常收昌仔尘集到的横断面数据，该如何处理分析这些纵向数据呢？别急耐禅，听我慢慢道来。
针对 纵向随访数据 ，结合数据特点，应利用 线性混合效应模型 进行建模。该模型包含了 固定效应以及随机效应 ，其中随机效应描述的是在不同层次的不同水平中，各变量对总体观察变量的贡献。
那针对线性混合效应模型，如何建模分析呢？今天我推荐R语言当中线性混合效应模型的两个包：
1、 nlme包，这是相对成熟的R包，它除了可以分析分层的线性混合效应模型，也可以处理非线性模型。在优势方面，个人认为它可以处理相处复杂的线性和非线性模型，可以定义方差协方差结构，也可以在广义线性模型中定义连接函数。缺点呢，随机效应的定义过于呆板，并且当数据量很大时，速度很慢，也不能处理多元数据。
2、 lme4包，相对于nlme包而言，它的运行速度快一点，对于固定效应、随机效应的结构也可以相对更复杂一点。但是不能处理协方差和相关系数结构。
接下来通过案例，让我们更好的理解这个模型：
例： 牛奶蛋白质含量 这个数据是纵向数据的一个典型的例子。曾经被Diggle,et.al.(2013)等研究过，这个数据关于79头澳大利亚的奶牛牛奶蛋戚坦白质含量和三种饲料的关系，对每一头奶牛计划观测19次，每周一次，但是结果得到，有些奶牛观测了19周，有些不到19周，还有最少的观察了12次。
变量名称变量解释
id牛的编号
week第几周
protein蛋白质含量
diet饲料种类：1.barley;2.lunpins;3.mixed
01 数据的基本描述
library(lattice)
data_milk<-read.csv("milk.csv")
head(data)
xyplot(protein ~ week | diet, data = data_milk,
type = c("b", "smooth"), lwd = 2,
as.table = TRUE, ylab = "protein",
xlab = "Time (weeks)")
02 建立线性混合效应模型
1、 nlme包
library(nlme)
model1<-lme(protein~week+diet,random=~week|id,data_milk,method="ML")
summary(model1)
结果如下：
接下来我们可以用 F检验来看各个变量的显着性 ：
anova(model1)
结果如下：
通过上述结果来看，两个变量都显着，但week的系数是负数，这是由于总体上，一开始试验时牛奶的蛋白质含量大多相对较高，后面有几周下降，然后有回升，所以总体来说似乎随时间是下降的。
2、 lme4包 ，但是推荐使用 lmerTest包 ，它的结果可以 输出P值 ，即显着性结果值。
library(lme4)
library(lmerTest)
model2<-lmer(protein~week+diet+(week|id),data_milk)
summary(model2)
结果如下：
通过上述两个包建立的模型可以看出，得到的结果几乎一样，但是 lmer()函数 针对变量较多时建立模型较好，运行速度较快。同时也可以看得出，我们的响应变量是定量变量，因此，我们选择建立线性混合效应模型，但若是我们的 响应变量是分类变量 ，那方法就不一样咯。
怎么样？是不是挺简单的，希望大家多多练习。如果你有关于回归分析方面的问题，可以及时联系我，我一定不遗余力哟，期待我们的再次相约。
㈢ 纵向数据
Longtitudinal Data是当今统计学的一个前沿问题，其主要发展时间不超过50年，最早人们采用anova和manova来分析，现在已经存在的主要处理方法是Mixed Effect Model，尤其是linear Mixed Effect Model。与其相关的热点是有孙前missing data的纵向数据分析，人们发展了selection model，shared parameter model等来进行处理，各喊凯悄种模型的敏感性分析也只一个当前的郑渣热点，09年有数片相关文章发表在Biometrics等杂志上