Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Proposals for the Generalized estimating equations section: glmtoolbox, MIIPW, CRTgeeDR, drgee, geeCRT

Aperta
  • Qualcosa non va?
#56 5 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
3/5
Tempo stimato
1-2 giorni
Idoneità per principianti
45/100
Tipo di issue
Documentazione
Chiarezza
Abbastanza chiara
Stato di attività
Ferma
Stack tecnologico
r
Ambito
documentation

Direzione di ricerca

Inizia con la sezione Generalized estimating equations della MixedModels CRAN Task View e verifica come sono elencati i pacchetti esistenti. Valuta glmtoolbox, MIIPW, CRTgeeDR, drgee e geeCRT rispetto alle convenzioni della sezione, quindi aggiungi le voci e le descrizioni appropriate quando i pacchetti proposti sono pertinenti.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

I would like to propose a few items to be added to the View in the Generalized estimating equations section.

The glmtoolbox that I found recently is awesome.

  1. unlike geepack (no new features, no bug fixes, frozen/zombie state), glmtoolbox it's actively developed. Only it's a pity it lacks a GitHub repo, which would facilitate reporting issues a lot. Maybe you could try to convince prof. Vanegas to share it on GitHub well?
  2. unlike geepack, it doesn't crash (prints informative warning) when the unstructured cov. is combined with waves (useful when analysing longitudinal data with missing visits)
  3. supports more covariance structures than any other package
  4. provides leverage, local.influence, DFBETA and Cook's distance out of the box
  5. offers model-comparison based anova through Wald's and generalized score tests.
  6. unlike geepack, it well supports IPW (inverse-probability) weighting for dropouts out of the box (one has to specify the model for MAR dropouts), no need to play separately with the ipw package. Works on both observation and cluster level.
  7. offers a module for non-linear GEE
  8. predict() is available
  9. QIC and RJC (Rotnitzky-Jewell's) criterion out of the box
  10. Mahalanobis', Pearson's and deviance residuals
  11. forward/backward stepwise variable selection
  12. various var.cov estimators are available: robust (Sandwich), df-adjusted, model (naive), bias-corrected (small-sample Mancl-DeRouen) and jackknife.
  13. gives results consistent with other packages (only minor discrepancies)
  14. It well integrates with emmeans via qdrg(), so advanced contrasts over LS-means can be tested, also with MVT adjustment.

Personally speaking, glmtoolbox seems the new king and a standard for GEE in R, outperforming geepack in most aspects.

The other proposed packages, MIIPW, CRTgeeDR, drgee, geeCRT, are important from the clinical trials perspective, offering ways to deal with data missing at random (MAR).

Lingua principale
R
Stelle
31
Fork
10
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di cran-task-views/MixedModels

Tutte le issue di cran-task-views/MixedModels

Issue simili

Altre issue su R

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.