Modeling Clustered Ordered Categorical Data: A Survey

This article surveys various strategies for modeling ordered categorical (ordinal) response variables when the data have some type of clustering, extending a similar survey for binary data by Pendergast, Gange, Newton, Lindstrom, Palta & Fisher (1996). An important special case is when repeated measurement occurs at various occasions for each subject, such as in longitudinal studies. A much greater variety of models and fitting methods are available than when a similar survey for repeated ordinal response data was prepared a decade ago (Agresti, 1989). The primary emphasis of the review is on two classes of models, marginal models for which effects are averaged over all clusters at particular levels of predictors, and cluster‐specific models for which effects apply at the cluster level. We present the two types of models in the ordinal context, review the literature for each, and discuss connections between them. Then, we summarize some alternative modeling approaches and ways of estimating parameters, including a Bayesian approach. We also discuss applications and areas likely to be popular for future research, such as ways of handling missing data and ways of modeling agreement and evaluating the accuracy of diagnostic tests. Finally, we review the current availability of software for using the methods discussed in this article. Cet article passe en revue diverses stratégies pour la modélisation de variables de réponse qualitatives et ordinales, quand les donées présentent des phénoménes de grappes. II prolonge une étude similaire réalisée pour les variables dichtomiques par Pendergast et al (1996). Les mesures répétées à plusieurs reprises pour chaque individu, par exemple dans les études longitudinales, constituent un cas particulier important. II existe à présent une variété beaucoup plus grande de modèles et de méthodes d'ajustement, que lors de la rélisation d'une étude similarire pour les variables ordinales et répétées il ya une dizaine d'années (Agresti, 1989). II est mis particulièrement l'accent sur deux Deux types de modèles, les modèles, marginaux pour lesquels on prend la moyenne des effets sur toutes les grappes pour des niveaux donnés des variables explicatives, et les modèles, par grappes pour lesquels les effets sont pris en compte au niveau de chaque grappe.Nous présentons les deux types de modèles, dans le cas de variables ordinales, brosons un panorama de la littérature pour chacun des deux types, et discutons les relations entre eux. Puis nous réurmons d'autres approches pour la modélisation et l'estimation de paramètres, notamment une approche bayésienne, Nous discutons aussi de applications et des domaines qui devraien susciter de nouvelles rechlles recherches, par exemple les méthodes de trailtement des données manquantes ou d'éualuation de l'exactitude de tests. Enfin, nous considérons la disponibilité actuelle de logiciesl pour mettre en oeuvre les méthodes discutées dans cet article.