EDYCJA 2: Początkowo myślałem, że muszę uruchomić ANOVA dwuskładnikową z powtarzanymi pomiarami dla jednego czynnika, ale teraz myślę, że liniowy model mieszanego efektu będzie działał lepiej dla moich danych. Myślę, że prawie wiem, co musi się wydarzyć, ale wciąż jestem zdezorientowany kilkoma punktami.
Eksperymenty, które muszę przeanalizować, wyglądają tak:
- Osobników przydzielono do jednej z kilku grup terapeutycznych
- Pomiary każdego pacjenta wykonywano przez wiele dni
- Więc:
- Obiekt jest zagnieżdżony w trakcie leczenia
- Leczenie krzyżuje się z dniem
(każdy pacjent jest przypisany tylko do jednego zabiegu, a pomiary są wykonywane dla każdego pacjenta każdego dnia)
Mój zestaw danych zawiera następujące informacje:
- Temat = czynnik blokujący (czynnik losowy)
- Dzień = w obrębie czynnika lub współczynnika powtarzanych pomiarów (współczynnik stały)
- Leczenie = między czynnikiem podmiotowym (czynnik stały)
- Obs = zmienna zmierzona (zależna)
AKTUALIZACJA OK, więc poszedłem porozmawiać ze statystyką, ale on jest użytkownikiem SAS. Uważa, że modelem powinien być:
Leczenie + dzień + pacjent (leczenie) + dzień * pacjent (leczenie)
Oczywiście jego notacja różni się od składni R, ale ten model powinien uwzględniać:
- Leczenie (naprawione)
- Dzień (ustalony)
- interakcja Leczenie * Dzień
- Obiekt zagnieżdżony w ramach leczenia (losowo)
- Dzień skrzyżowany z „Podmiotem w trakcie leczenia” (losowo)
Czy to jest poprawna składnia?
m4 <- lmer(Obs~Treatment*Day + (1+Treatment/Subject) + (1+Day*Treatment/Subject), mydata)
Jestem szczególnie zaniepokojony tym, czy Dzień skrzyżowany z częścią „Podmiot w trakcie leczenia” ma rację. Czy ktoś zna SAS lub jest przekonany, że rozumie, co dzieje się w jego modelu, jest w stanie skomentować, czy moja smutna próba dopasowania składni R jest zgodna?
Oto moje poprzednie próby zbudowania modelu i pisania składni (omówione w odpowiedziach i komentarzach):
m1 <- lmer(Obs ~ Treatment * Day + (1 | Subject), mydata)
Jak poradzić sobie z faktem, że pacjent jest zagnieżdżony w trakcie leczenia? Czym m1
różni się od:
m2 <- lmer(Obs ~ Treatment * Day + (Treatment|Subject), mydata)
m3 <- lmer(Obs ~ Treatment * Day + (Treatment:Subject), mydata)
a są m2
i m3
ekwiwalent (a jeśli nie, to dlaczego)?
Czy muszę też używać nlme zamiast lme4, jeśli chcę określić strukturę korelacji (jak correlation = corAR1
)? Zgodnie z Powtarzanymi pomiarami, dla analizy powtarzanych pomiarów z powtarzanymi pomiarami jednego czynnika, ważna jest struktura kowariancji (charakter korelacji między pomiarami tego samego pacjenta).
Kiedy próbowałem wykonać ANOVA z powtarzanymi pomiarami, zdecydowałem się użyć SS typu II; czy jest to nadal aktualne, a jeśli tak, to jak mam to określić?
Oto przykład tego, jak wyglądają dane:
mydata <- data.frame(
Subject = c(13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 62, 63, 64, 65, 13, 14, 15, 16, 17, 18,
19, 20, 21, 22, 23, 24, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39,
40, 62, 63, 64, 65, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24,
29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 62, 63, 64, 65),
Day = c(rep(c("Day1", "Day3", "Day6"), each=28)),
Treatment = c(rep(c("B", "A", "C", "B", "C", "A", "A", "B", "A", "C", "B", "C",
"A", "A", "B", "A", "C", "B", "C", "A", "A"), each = 4)),
Obs = c(6.472687, 7.017110, 6.200715, 6.613928, 6.829968, 7.387583, 7.367293,
8.018853, 7.527408, 6.746739, 7.296910, 6.983360, 6.816621, 6.571689,
5.911261, 6.954988, 7.624122, 7.669865, 7.676225, 7.263593, 7.704737,
7.328716, 7.295610, 5.964180, 6.880814, 6.926342, 6.926342, 7.562293,
6.677607, 7.023526, 6.441864, 7.020875, 7.478931, 7.495336, 7.427709,
7.633020, 7.382091, 7.359731, 7.285889, 7.496863, 6.632403, 6.171196,
6.306012, 7.253833, 7.594852, 6.915225, 7.220147, 7.298227, 7.573612,
7.366550, 7.560513, 7.289078, 7.287802, 7.155336, 7.394452, 7.465383,
6.976048, 7.222966, 6.584153, 7.013223, 7.569905, 7.459185, 7.504068,
7.801867, 7.598728, 7.475841, 7.511873, 7.518384, 6.618589, 5.854754,
6.125749, 6.962720, 7.540600, 7.379861, 7.344189, 7.362815, 7.805802,
7.764172, 7.789844, 7.616437, NA, NA, NA, NA))