如何用Python（Statsmodels）编写线性混合效果模型的公式？

请容忍我，因为我对这一级别的统计数据和Python还不熟悉。我已经阅读了statsmodels和patsy的所有文件，但仍然有疑问

我试图使用statsmodels MixedLM分析纵向数据。简化一点，我有5个变量，自变量之间没有共线：

• 结果：因变量
• 患者：随机效应，因为每个患者都有多个结果测量值
• 时间：固定效应
• 目标：固定效应，0=否，1=是，无论患者是否有针对性地进行干预以解决结果
• 性别：固定效应，0=男性，1=女性

我想知道两件事：

患者是否成为目标与随时间变化的结果趋势之间是否存在关联

随着时间的推移，患者性别和结果趋势之间是否存在关联，仅针对目标人群

也许很重要：我并不是在试图做出任何预测。准确地解释一下我已经掌握的数据

为了回答第一个问题，我试着：

md = smf.mixedlm('outcome ~ time * targeted', df, groups = df['patient'])

这个符号正确吗？或者我应该使用：

md = smf.mixedlm('outcome ~ time : targeted', df, groups = df['patient'])

为了更好地比较结果趋势的差异？还是别的什么

为了回答第二个问题，我试着：

md = smf.mixedlm('outcome ~ time * targeted * sex', df, groups = df['patient'])

但我不认为这是正确的，因为系数没有意义。有针对性的患者需要有>6的起始结果，但针对性的系数：性别<6。一种解决方案是制作一个单独的数据帧，只包括目标患者，但我很好奇，这里是否有我可以使用不同的操作符来获得我想要的

---

谢谢大家!

您是否手动将截取术语添加到您的模型中？我认为这是必要的statsmodel@Peter我肯定是错的，但我认为MixedLM默认包含一个截取，我一直将其解释为非目标群体（第二个问题中的男性）在时间0时的结果。不过，如果你是这个意思的话，我没有添加随机截距。嗨@EMG，如果你对贝叶斯统计持开放态度，你可以试试Bambi。它允许您使用公式接口完全指定混合模型，而不必使用其他参数。您是否已手动将截取项添加到模型中？我认为这是必要的statsmodel@Peter我肯定是错的，但我认为MixedLM默认包含一个截取，我一直将其解释为非目标群体（第二个问题中的男性）在时间0时的结果。不过，如果你是这个意思的话，我没有添加随机截距。嗨@EMG，如果你对贝叶斯统计持开放态度，你可以试试Bambi。它允许您使用公式接口完全指定混合模型，而不必使用其他参数。