编辑推荐：
在聚类数据研究中，因缺乏开源聚类数据集资源库，常依赖有缺陷的数据模拟研究。研究人员开发 OpenClustered R 包，含 19 个二元结局聚类数据集。结果显示其有助于方法学评估比较，减少偏差，推动多领域研究发展。
聚类数据在流行病学、社会科学、医学等诸多领域广泛存在，它指的是在一个群体或抽样单元内观测值存在相关性的数据 。然而，目前在聚类数据研究方面存在诸多问题。一方面，确定聚类数据的最优方法仍存在许多未解决的问题，虽然近年来提出了很多机器学习和人工智能方法用于聚类数据分析，但由于缺乏大规模的基准研究，不同场景下的最优方法尚不明确。另一方面，现有的数据模拟研究存在过度简化设计和潜在偏差等问题，并且没有开源的聚类数据集资源库可供方法学比较。这使得研究人员在研究聚类数据时困难重重，急需一个可靠的资源库来推动相关研究的发展。
为了解决这些问题，美国维克森林大学医学院（Wake Forest University School of Medicine）生物统计学和数据科学系的研究人员开展了一项研究，开发了一个名为 OpenClustered 的 R 包，这个包中包含了聚类数据集及其元数据，为聚类数据的方法学比较和评估提供了新的资源。该研究成果发表在《BMC Medical Research Methodology》上。
研究人员在开发 OpenClustered R 包时，采用了多种关键技术方法。首先，通过系统搜索互联网上的混合效应分析教程、相关 R 包以及 GitHub 网站和教科书，获取聚类数据集。然后，对数据进行标准化处理，将二元结局变量命名为 “target”，聚类变量命名为 “cluster_id”，并整理成适合分析的长格式。在进行基准测试分析时，使用 R 语言中的 lme4 包实现频率主义者的广义线性模型（GLM）和广义线性混合模型（GLMMs），使用 brms 包实现贝叶斯广义线性混合模型（GLMMs），并利用 missForest 包对缺失值进行插补 。
下面介绍研究的具体结果：
- OpenClustered 数据集和元数据：研究人员收集并处理了 19 个具有聚类结构和二元结局的数据集，这些数据集来自医学、政治学、语言学、教育、海洋学和动物学等多个领域，多数为真实数据。同时，为每个数据集定义了聚类类型，如分层（hierarchical ）、纵向（longitudinal）、重复测量（repeated measures）和分组（grouped ）。还提供了元数据，包括数据集的大小（观测数、预测变量数、聚类数）、变量特征（分析任务类型、目标变量类别数、目标变量不平衡度、缺失数据比例）等信息。
- OpenClustered 包的使用：该包使用简单，安装加载后，数据集和元数据自动加载。可以通过包中提供的代码对数据进行打印、绘图和汇总，还能使用 filter_data () 函数根据数据集的特定特征进行筛选，比如根据观测数或所属领域等条件筛选数据集。
- 示例基准测试分析：研究人员利用 OpenClustered 中的开源数据集，对比了频率主义者和贝叶斯广义线性混合模型（GLMMs）的实现，同时纳入了未考虑聚类结构的朴素广义线性模型（GLM）作为对照。结果发现，频率主义者和贝叶斯广义线性混合模型（GLMMs）在受试者工作特征曲线下面积（AUC）方面表现相似，均值（标准差）均为 0.86（0.09），而忽略聚类的频率主义者广义线性模型（GLM）的 AUC 为 0.72（0.11） 。在计算时间上，频率主义者广义线性混合模型（GLMMs）比贝叶斯广义线性混合模型（GLMMs）快得多（均值分别为 3.3（8.4）秒和 69.6（115.5）秒）。
研究结论和讨论部分指出，OpenClustered R 包是一个重要的数据资源，为使用开源聚类数据进行基准研究奠定了基础。它克服了数据模拟研究的潜在局限性，提供了一个无偏的开源数据集框架，便于高效分析。通过使用这个资源库，研究人员可以对聚类数据的诸多开放性问题进行方法学评估和比较，包括统计方法、机器学习和人工智能方法的比较，以及缺失数据处理、变量选择等方面的研究。未来，研究人员计划进一步扩展 OpenClustered R 包和聚类数据资源库，添加具有连续结局的聚类数据集，开发用户提交数据集的流程，并纳入从衰老相关的真实世界研究中合成衍生的重复测量数据集。
综上所述，OpenClustered R 包的出现，为聚类数据的研究提供了有力的支持，有助于提高各个研究领域的严谨性，推动聚类数据研究的发展，为解决聚类数据相关的各种问题提供了新的思路和方法。
