Sparowana, ANOVA z powtarzanymi pomiarami czy model mieszany?

Poproszono mnie o przeanalizowanie niektórych danych z badania klinicznego dotyczącego dwóch metod pomiaru ciśnienia krwi. Mam dane od 50 osób, z których każda zawiera od 2 do 57 miar przy użyciu każdej metody.

Zastanawiam się, jak najlepiej postępować.

Oczywiście potrzebuję rozwiązania, które uwzględni fakt, że miara ciśnienia krwi jest sparowana (dwie metody mierzone jednocześnie), a także zmienną towarzyszącą w czasie (z różną liczbą obserwacji na pacjenta), a także uwzględniającą intra i inter- zmienność pacjenta.

Zastanawiałem się nad tym, jak przerobić to na ANOVA z powtarzanymi pomiarami, ale wydaje mi się, że może to być model mieszany.

Byłbym wdzięczny za wszelkie pomocne porady, które możesz zaoferować.

Jestem kompletnym nowicjuszem R, ale jestem bardzo podekscytowany rozwijaniem umiejętności i mam umiarkowane doświadczenie w Stacie, więc zawsze mogę na tym polegać.

Nie sądzę, że możesz łatwo zrobić to, co chcesz zrobić z RM-ANOVA, ponieważ liczba powtórzeń nie jest taka sama dla wszystkich przedmiotów. Uruchamianie modeli z efektami mieszanymi jest bardzo łatwe w R. W rzeczywistości, poświęcając trochę czasu na naukę podstaw i poleceń, otworzy przed Tobą wiele możliwości. Uważam też, że modelowanie mieszane jest o wiele prostsze w użyciu i bardziej elastyczne i prawie nigdy nie muszę bezpośrednio wykonywać RM-ANOVA. Na koniec należy wziąć pod uwagę, że w przypadku modelowania mieszanego można również uwzględnić strukturę kowariancji reszt (RM-ANOVA po prostu zakłada strukturę diagonalną), co może być ważne w wielu zastosowaniach.

Istnieją dwa główne pakiety liniowego modelowania mieszanego w R: nlmei lme4. Do lme4paczki jest bardziej nowoczesna, które jest idealne dla dużych zbiorów danych, a także dla przypadków zajmują się danymi klastrowych. Nlmejest starszym pakietem i jest w większości przestarzały na korzyść lme4. Jednak w przypadku projektów z powtarzanymi pomiarami jest to wciąż lepsze niż, lme4ponieważ nlmepozwala tylko modelować strukturę kowariancji reszt. Podstawowa składnia nlmejest bardzo prosta. Na przykład:

fit.1 <- lme(dv ~ x + t, random=~1|subject, cor=corCompSymm())

Tutaj modeluję związek między zmienną zależną dva czynnikiem xi zmienną zależną od czasu t. Subjectjest efektem losowym i zastosowałem złożoną strukturę symetrii dla kowariancji reszt. Teraz możesz łatwo uzyskać niesławne wartości p poprzez:

anova(fit.1)

Na koniec mogę zasugerować, aby przeczytać więcej o nlme, korzystając z jego ostatecznego przewodnika, modeli efektów mieszanych w S i S-Plus . Innym dobrym źródłem informacji dla początkujących jest liniowy model mieszany - praktyczny przewodnik z wykorzystaniem oprogramowania statystycznego, który kompiluje wiele przykładów różnych aplikacji modelowania mieszanego z kodem w R, SAS, SPSS itp.

Jeśli szukasz RM-ANOVA z modelem mieszanym za pomocą R. Możesz to sprawdzić http://blog.gribblelab.org/2009/03/09/repeated-measures-anova-using-r/ Istnieją świetne przykłady pokazujące, jak stosować model mieszany do osiągnięcia RM-ANOVA.

Bazując na moim doświadczeniu, SAS jest lepszym narzędziem do radzenia sobie z modelem mieszanym. Jeśli używasz SAS, możesz sprawdzić pomoc SAS „Proc Mixed” dla RM-ANOVA.