我的问题是要进行具有混合效应和二项式响应的纵向试验。
我有一个重复测量的试验数据要分析：对患者进行4种疗法（安慰剂和3种器械）-每个患者随机接受某种疗法，无需转换-进行了3次检查。检查结果是二项式：TRUE / FALSE。
三个时间点是：第3周，第16周，第24周。我现在在考虑，将其视为因素还是连续治疗是更好的选择。
我想通过合并混合效应模型来分析治疗臂与时间之间的关系。
我的模型是这样的： 考试<-时间*手臂+（1 +时间+手臂|患者）
我期望对象内自相关。我想尝试一下：Toeplitz，AR（1）和非结构化残留协方差矩阵。
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以及在各种治疗中的反应都会更加陡峭。我希望治疗和安慰剂之间的斜率会有所不同。我希望随着时间的推移至少成功的趋势比例不会下降，也就是说，随着时间的流逝，越来越多的患者将接受积极检查（每个对象进行3次检查）。
分布为二项式，具有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程序都无关紧要。
我可以考虑ML，REML，Laplace，被惩罚的拟似然性。优化还可以涉及Nelder-Mead方法。
我听说，PQL的计算质量最差，而Laplace则是最好的。
我想到了：
nlme-它支持残差协方差结构，但不处理非高斯分布
我害怕天生就将其用于纵向试验。
glmmPQL可以处理这两个功能，但质量较差，按定义没有ML / REML
glmmTMB-可以同时处理这两者，但是相对较新，我不知道它的测试效果如何，是否可以信任它？还会引发有关使用AR1进行拦截的问题-这是因为拦截仅在单个点（在X =“ 0”处）“站立”，所以随着时间的推移没有自相关吗？
在R中这种分析，混合效应逻辑纵向模型是否可能？我认为过去人们可以通过某种方式来分析具有R协方差的非高斯混合模型。