У меня есть продольные данные, включающие оценки программ за несколько лет. Изменение в баллах от исходного уровня до первого года является положительным, в то время как изменение после первого года относительно невелико. Модель кусочно-линейного роста с использованием nlme (с временными точками, вложенными в программы) с узлом в первый год показывает значительный рост в первый год, за которым следует плато.
Мой следующий шаг - определить, какие факторы формируют эти траектории. Например, программы получают тренинги и другие вспомогательные услуги каждый год. Я ожидаю, что программы, использующие эти услуги, будут более быстрыми и / или устойчивыми по сравнению с программами со слабым участием.
Я хочу добавить эти вариативные по времени ковариаты в модель и определить, предсказывают ли они изменения в первый год, более поздние годы или в обоих.
Вот то, что я пробовал до сих пор. Модель включает в себя две фиктивные переменные времени для изучения линейного наклона в первый год и последующие годы. В этом примере «услуги» - это вариационный по времени ковариат.
lgm <- lme(score ~ yr.1st + yr.later +
services + services*yr.1st + services*yr.later,
random = ~ yr.1st + yr.later | ProgramID,
method = "REML",
data = mydata)
Термины взаимодействия (services*yr.1st) - мое лучшее предположение. Это правильно? Есть ли другой способ добавить этот предиктор, чтобы определить, относится ли он к первому периоду времени, второму периоду или к обоим?
Спасибо за вашу помощь.