30584 - Analyse mit wiederholten Messungen in JMP® Software
Die Analyse mit wiederholten Messungen Daten in JMP ® Software
JMP bietet mehrere Methoden wiederholte Messungen zu analysieren: a multivariate wiederholten Maßnahmen nähern, ein univariate Split-Plot-Ansatz und eine zusätzliche Fähigkeit durch JMP ® Pro so mit der Mixed-Model-Persönlichkeit einer Analyse durchzuführen, in der Fit Modell-Plattform. Die Arten von Analysen sind in der folgenden Diskussion verglichen. Das Beispiel verwendet die DOGS (dogs.jmp) Abtastdaten-Tabelle, die das Ergebnis einer Studie mit wiederholten Messungen ist. In diesem Beispiel vor der Analyse auf dem DOGS-Datensatz durchgeführt wird, werden wir den ID-Variable als Betreff umbenennen und die Modellierung Typen Nenn von kontinuierlichem ändern.
Abbildung A: Anordnung der Datentabelle, Multivariate Ansatz
Abbildung B zeigt die Spalten aus dem umstrukturierten DOGS Tabelle ausgewählt, wo die LogHist Spalten in einer einzigen Reaktion Säule gestapelt wurden.
Abbildung B. Anordnung der Datentabelle, Univariat Split-Plot-Ansatz und Mixed-Model-Ansatz
Eine multivariate Ansatz
Wenn es mehrere Y-Variablen sind, führt automatisch JMP einer multivariaten Analyse. Wenn Sie zuerst das Modell ausführen, wird die multivariate Bedienfeld. Um die Wirkung der Droge im Laufe der Zeit zu testen, wählen Sie ‚Wiederholten Maßnahmen‘ als Antwortentwurf aus dem Popup-Menü auf dem Bedienfeld. Im wiederholten Maßnahmen Dialog, verwenden Sie die Standard-Effektnamen Zeit aber überprüfen ‚Univariate Tests auch‘ erhalten uni- und angepasst univariate Tests erscheint. Diese Option beinhaltet einen Test auf Sphärizität (hier nicht dargestellt), die prüft, ob die unbereinigten univariate F-Tests geeignet sind. Wenn der Sphärizität Chi-Quadrat-Test nicht signifikant ist, können Sie die unbereinigten univariate F-Tests verwenden. Wenn das Sphärizität Test Chi-Quadrat signifikant ist jedoch, wird das Kriterium zurückgewiesen und die multivariate F-Tests oder die eingestellten univariate F-Tests verwendet werden. JMP gibt sowohl die Gewächshaus-Geisser (G-G) und den Huynh-Feldt (H-F) eingestellt F-Tests.
Ein Univariat Split-Plot-Ansatz
Die univariate Analyse erfordert, dass die Antwortmessungen in einer einzigen Spalte sein. Über den Stapel Befehl im Menü Tabellen, können Sie den LogHist0 stapeln. LogHist1 und LogHist3 Spalten eine neue Antwortspalte zu erzeugen, wie in Abbildung B. Die neue Reaktion LogHist und die neuen Klassifikations variablen Zeit gezeigt ist, wurden durch den Stapelbefehl erstellt.
Mit der Datentabelle richtig eingerichtet ist, wählt Fit Modell aus dem Menü Analyse. Wählen LogHist als Y, und fügen die Effekte in Modell wie in Figur C gezeigt,
Abbildung C: Univariate wiederholte Messungen Spezifikation
- Arzneimittel in der Variablenauswahlliste, dann hinzufügen
- Betreff in der Variablenauswahlliste, dann hinzufügen
- Arzneimittel in der Variablen-Auswahlliste, und
- Vorbehaltlich der Auswirkungen im Modellverzeichnis, dann Nest
- Subject [Drogen] in den Effekten in Modell-Liste, dann Zufällige Auswahl aus dem Effect Attributen Popup-Menü Betreff [Drogen] geben Zufällige in den Effekten in Modell-Liste
- Zeit in der Variablen-Auswahlliste, dann hinzufügen
- Arzneimittel in der Variablen-Auswahlliste und
- Zeit in der Variablen-Auswahlliste, dann Kreuz
Die zwischen Subjekt Wirkung, Drogen, ist die gesamte Handlung Wirkung eines Split-Plot-Design. Der Gegenstand Effekt wird innerhalb Droge verschachtelt. Dieser Begriff wird als Zufallseffekt angegeben. Zufällige Effekte in dem Modell zeigen mehrere Quellen der Variation in den Daten. Alle Variationsquellen berücksichtigt im REML Modell genommen; daher Effekt Schätzungen und Wirkungstests werden angepasst und entsprechend berechnet.
Nach diesem Modell ausgeführt wird, können Sie die Bedeutung der Modelleffekte in dem ‚Fest Effect Tests‘ Abschnitt im Ergebnisfenster gesehen untersuchen, die in dem unten stehenden Vergleich Abschnitt Ergebnis angezeigt werden.
Mixed Modellansatz
In JMP Pro bietet die Mixed-Model Persönlichkeit innerhalb der Sitz Modell Plattform auch die Fähigkeit zur wiederholten Messungen Daten zu analysieren. Dieses Verfahren erfordert die Antwortmessungen in einer einzigen Spalte strukturiert werden, wie in Abbildung B dargestellt
Mit der Datentabelle aktiv ist, wählt Fit Modell aus dem Menü Analyse. Von der Persönlichkeit im Dropdown-Menü wählen Sie Mischmodell. Weisen Sie LogHist als Y-Variable hinzufügen Zeit. Droge. und Drogen * Zeit im Fest Registerkarte Effekte und fügen Vorbehaltlich der Zufalls Registerkarte Effekte. Klicken Sie auf die wiederholte Registerkarte Struktur und halten Sie die Standardauswahl ‚Residual‘, die die Verbindung Symmetrie Kovarianzstruktur darstellt. In diesem Beispiel werden wir diese Option verwenden, konsistente Ergebnisse über Methode zu zeigen. Wie im vorhergehenden Absatz erläutert wird, ist die Verbindung Symmetriestruktur des angenommenen Kovarianzstruktur äquivalent in einer univariaten Split-Plot-Analyse.
Führen Sie das Modell und die Bedeutung der festen Effekte im letzten Abschnitt des Ergebnisfensters angezeigt.
Beim Vergleich der Ergebnisse
Ein Vergleich der Methoden
Jede Art von Analyse hat ihre Vor- und Nachteile:- Die multivariate Analyse ist einfach und intuitiv in JMP angeben. Seine Tests sind in der Regel stärker. Von einem Rechen Sicht ist diese Methode am effizientesten ist. Wenn jedoch ein Gegenstand ein Wert fehlt, werden alle Informationen zu diesem Thema ist auf die Analyse verloren.
- Die univariate Analyse können alle Daten nur für Verwendung eines Subjekts fehlt Messung der Analyse verloren. Allerdings kann die Univarianzanalyse sehr rechenintensiv sein, vor allem, wenn es viele Themen sind.
- Beide oben genannten Verfahren übernehmen eine extreme Kovarianzstruktur. Die multivariate Analyse geht davon aus unstrukturierten Kovarianzmatrix in dem alle Varianzen und Kovarianzen individuell geschätzt werden. Die Split-Plot-Analyse nimmt alle Fehler unabhängig sind. Mit diesen beiden Annahmen, Informationen in Ihren Daten werden verwendet, um die Kovarianzparameter abzuschätzen. Dies kann in der Überanpassung des Modells führen. Der Vorteil eines gemischten Modells ist, dass es Ihnen erlaubt, eine weniger extreme Kovarianzstruktur auszuwählen, die in ein leistungsfähigeres Modell führt. In der JMP Fitting Linear Models Guide, die weitere Beispiele Abschnitt der gemischte Modelle Kapitel bietet weitere Informationen über Überanpassung oder underfitting ein Modell und die Verwendung der verschiedenen Kovarianzstrukturen in der Mixed-Model-Persönlichkeit.
In den univariaten Tests für intraindividuelle Wirkungen und Wechselwirkungen mit diesen Effekten werden die obigen Annahmen über die Kovarianzmatrix für die Wahrscheinlichkeiten durch den gewöhnlichen F vorgesehen erforderlichen Tests korrekt. Wenn diese Annahmen nicht erfüllt sind (wenn die Rundheitsprüfung zurückgewiesen wird), Wahrscheinlichkeiten dann eingestellt univariate F-Tests (in dem multivariaten Bericht angegeben) oder die multivariate F-Tests verwendet werden soll. Aufgrund dieser Annahmen, die univariate Ansatz sollte nur in Betracht gezogen werden, wenn die Sphärizität Bedingung erfüllt ist. Weitere Informationen zu diesem Test und andere in diesem Beispiel diskutierten Ideen finden Sie in das JMP Fitting linearen Modellen Buch, das durch die Auswahl Hilfe ► Bücher Fitting lineare Modelle (Kapitel 3 ► gefunden wird: Standard Least Squares Bericht und Optionen, Kapitel 7: Gemischte Modelle und Kapitel 8: Multivariate Response-Modelle)
Cole und Grizzle, J. E. (1966), "Sechzehn Dogs", Biometrics, 22: 810
Diese Beispieldateien und Codebeispiele werden von SAS Institute Inc. „wie besehen“ ohne Gewährleistung irgendeiner Art, weder ausdrücklich noch implizit, einschließlich, aber nicht für einen bestimmten Zweck auf die gesetzlichen Garantien der Marktgängigkeit und der Eignung begrenzt. Empfänger bestätigen und stimmen zu, dass SAS Institute nicht für Schäden haftbar gemacht werden können aus ihrer Verwendung dieses Materials überhaupt entstehen. Darüber hinaus wird SAS Institute keine Unterstützung für die hierin enthaltenen Materialien.
Diese Beispieldateien und Codebeispiele werden von SAS Institute Inc. „wie besehen“ ohne Gewährleistung irgendeiner Art, weder ausdrücklich noch implizit, einschließlich, aber nicht für einen bestimmten Zweck auf die gesetzlichen Garantien der Marktgängigkeit und der Eignung begrenzt. Empfänger bestätigen und stimmen zu, dass SAS Institute nicht für Schäden haftbar gemacht werden können aus ihrer Verwendung dieses Materials überhaupt entstehen. Darüber hinaus wird SAS Institute keine Unterstützung für die hierin enthaltenen Materialien.