Interprétation de la mesure répétée MANOVABonjour les gens formidables !
Pour la première fois de ma vie, j'ai essayé MANOVA dans JMP ! J'ai joint le fichier avec l'analyse MANOVA enregistrée dans la table de données. Pour une raison quelconque, je n'ai pas pu enregistrer la spécification de réponse (que j'ai définie sur Mesures répétées) * Si quelqu'un sait également comment enregistrer ce paramètre, veuillez m'éclairer.
J'ai besoin d'aide pour répondre à 2 questions.
1. Je regarde s'il y a une différence dans le changement entre trois groupes académiques. Quelle colonne dois-je rechercher ? Bien sûr, il y a l’effet du temps.
Cependant, je ne sais pas si je dois regarder les colonnes [All Between] et [academic_program_new] sous Between Subjects ou la colonne [Time*academic_program_new] sous Within Subjects.
2. Comment calculer le carré eta partiel. Cela ne me dérange pas le calcul manuel mais je ne vois aucune erreur SS.
Merci d'avance!
Re : Interprétation de la mesure répétée MANOVASalut @seoleelvjs ,
Certainement pas de me harceler ! L'ordre des niveaux pour les tracés et les analyses (à l'échelle de JMP) est basé sur la propriété Value Ordering de la colonne d'intérêt ; si aucun ordre n'est spécifiquement défini par vous, les niveaux de cette colonne sont classés par défaut par ordre alphabétique. Pour remplacer l'ordre alphabétique par défaut afin de pouvoir spécifier un ordre utile à votre situation, cliquez avec le bouton droit sur la colonne du tableau et accédez à Informations sur la colonne. Une fois que vous êtes dans Informations sur la colonne pour la colonne Heure, cliquez sur le menu déroulant Propriétés de la colonne en bas à gauche et sélectionnez « Ordre des valeurs ». Cela révélera le panneau de contrôle Ordre des valeurs dans les informations sur la colonne (illustré ci-dessous). Vous pouvez maintenant réorganiser vos niveaux de colonnes. Ce changement affectera non seulement la sortie de Fit Model, mais affectera également toutes les sorties pour lesquelles un ordre pour les niveaux de la colonne doit être affiché.
julien
Re : Interprétation de la mesure répétée MANOVADésolé de continuer à vous harceler, mais juste une petite question.
Le tracé des moyennes LS donne un nom quelque peu inversé pour les points temporels, comme vous pouvez le voir ci-dessous. La manière appropriée de présentation serait pré > post > 30 jours...
Ci-dessous se trouve le JSL. Y a-t-il un type de paramètre que j'ignore ?
Fit Model(
Y( :Data ),
Effects( :academic_program_new, :Time, :academic_program_new * :Time ),
Random Effects(
:user_id[:academic_program_new],
:user_id * :Time[:academic_program_new]
),
NoBounds( 1 ),
Personality( "Standard Least Squares" ),
Method( "REML" ),
Emphasis( "Minimal Report" ),
Run(
:Data << {Analysis of Variance( 0 ), Lack of Fit( 0 ),
Plot Actual by Predicted( 0 ), Plot Regression( 0 ),
Plot Residual by Predicted( 0 ), Plot Effect Leverage( 0 ),
{:academic_program_new << {LSMeans Table( 0 )}, :academic_program_new *
:Time << {LSMeans Plot( 1 )}}}
),
SendToReport(
Dispatch( {"Response Data"}, "Effect Details", OutlineBox, {Close( 0 )} )
)
)
Merci d'avance!
Re : Interprétation de la mesure répétée MANOVAMerci encore 
J'espère que vous et votre équipe de développeurs poursuivez la magie !Re : Interprétation de la mesure répétée MANOVAVous êtes les bienvenus! Je suis content que cela ait aidé.
Oui, le complément que j'ai écrit appelle l'analyse de modèle linéaire à effets mixtes *identique* (ajustement via REML). JMP peut déjà adapter ces modèles via la boîte de dialogue Ajuster le modèle (comme vous l'avez vu), ce complément ne fait donc que recruter cette plate-forme après avoir défini vos effets pour vous. La principale raison pour laquelle j'ai écrit ce complément est de simplifier la configuration de ces modèles lorsque vous avez plusieurs facteurs intra- et/ou inter-sujets qui sont croisés factoriellement. Dans ces cas-là, il peut s'avérer un peu fastidieux de définir tous les effets et interactions corrects du modèle, j'ai donc pensé qu'il serait utile d'avoir un complément qui s'en occupe. Je ne peux certainement pas m'attribuer le mérite du code qui correspond à ces modèles ! Cette magie est réalisée par l’incroyable équipe de développeurs qui créent JMP.
@julien
Re : Interprétation de la mesure répétée MANOVAMerci beaucoup pour la solution détaillée et une explication détaillée étape par étape ! Je l'apprécie grandement...
J'ai essayé les trois (REML, EMS et MANOVA) sans supprimer les sujets avec des données manquantes et chacun a donné un résultat différent, ce qui est logique comme vous l'avez expliqué. Je n'hésiterai pas à suivre vos conseils sur l'utilisation de REML sur EMS... Il semble que REML montre une représentation plus précise de la relation (ce que je peux dire en regardant simplement l'intrigue des moyens LS... il semble qu'il n'y ait que une légère différence dans les moyennes LS entre les groupes à différentes périodes de temps) que MANOVA, et plus résilient aux données manquantes.
Dernière question, REML et le complément que vous avez fourni sont-ils essentiellement le même modèle ?
Re : Interprétation de la mesure répétée MANOVARe-bonjour @seoleelvjs ,
En guise de suivi, j'ai pensé devoir mentionner que dans votre cas, puisque vous ne disposez pas de données complètes (il manque des observations à certains moments pour certains de vos sujets), les résultats de ces différentes analyses ne seront pas les mêmes. . Étant donné que chaque analyse aborde les données d'une manière différente, les données manquantes sont traitées différemment, ce qui conduit à des résultats différents. Juste pour que vous puissiez voir la relation entre ces méthodes (et le lien entre l'emplacement des résultats pertinents dans chaque sortie), j'ai créé une version de votre ensemble de données supprimant tous les sujets avec des données manquantes (nous avons donc des données complètes pour tous les individus). Lorsque nous exécutons ces trois analyses (MANOVA, EMS, REML), vous verrez que nous obtenons des résultats identiques.Vous trouverez ci-dessous une capture d'écran avec les zones pertinentes marquées. J'espère que ça aide!
-julien
Re : Interprétation de la mesure répétée MANOVASalut @seoleelvjs ,
J'ai pu exécuter le script Manova dans votre table et il a très bien reproduit la réponse répétée que vous avez spécifiée. Vous verrez ce jsl dans votre script enregistré :
Response Function( "Sum", Repeated( 1 ), Title( "Between Subjects" ) ),
Response Function(
"Contrast",
Repeated( 2 ),
Prefix( "Time*" ),
Title( "Within Subjects" )
)
Quant à l'interprétation, je sais que le résultat de Manova semble un peu verbeux, mais une fois que vous saurez où chercher, ce sera facile ! Pour votre effet du temps au sein du sujet (s'il existe des preuves que les moyennes diffèrent de celles avant/après/30 jours, en faisant la moyenne sur le programme académique), recherchez dans la section temps votre F et la valeur DF et p associée :
Pour votre test de programme académique (si les moyennes des programmes diffèrent, en moyenne dans le temps), regardez dans la section inter-matières sous "academic_program_new" :
Pour l'interaction entre vos facteurs intra et inter-matières, le test pour savoir si vous avez des preuves que l'effet temporel diffère pour les différents programmes académiques (ou de manière équivalente, si vous avez des preuves que la différence entre les programmes académiques est différente et à des moments différents), regardez dans la section Within-Subjects sous Time*academic_program_new et choisissez votre statistique f multivariée préférée à utiliser (ce qui est le plus courant dans votre domaine - je suppose que Lambda) :
Quelques notes supplémentaires avant de procéder au calcul de l'êta au carré partiel. Le résultat que vous avez demandé concerne la véritable analyse de variance multivariée dans laquelle nous construisons un contraste linéaire entre les multiples réponses intra-sujets. Ces tests ne sont pas les tests univariés traditionnels à mesures répétées. Si vous souhaitez demander les tests de mesures répétées univariées (ce que vous pourriez obtenir des mesures répétées SPSS), vous pouvez le faire lorsque vous appelez le contraste répété -- cochez simplement également la case pour les tests univariés :
Lorsque vous faites cela, vous recevrez une sortie supplémentaire dans chaque section. Remarquez que pour chacun de vos tests intra-sujets, il existe des tests Univar, à la fois non corrigés et corrigés epsilon. Il existe également le test de sphéricité bien connu.
Passons maintenant à votre dernière question sur l’êta carré partiel. Vous ne pourrez pas obtenir les valeurs particulières dont vous avez besoin à partir de cette sortie, mais vous y parviendrez en restructurant légèrement vos données, puis en exécutant ce modèle via Fit Model d'une manière différente.
Tout d’abord, nous utiliserons Tables > Stack pour empiler vos données. Nous dirons à jmp d'empiler vos trois colonnes de temps, puis d'étiqueter les colonnes de manière appropriée dans la boîte de dialogue :
Cela renvoie un tableau dans lequel vos mesures répétées s'effectuent sur des lignes plutôt que sur des colonnes séparées (ensemble de données joint ici) :
Ensuite, nous reviendrons à Analyser > Ajuster le modèle, mais plutôt que de spécifier plusieurs colonnes Y, nous définirons complètement votre structure répétée dans la section des effets du modèle et nous utiliserons votre colonne user_id pour indiquer à JMP qu'il y a un effet aléatoire. présent. Pour ce faire, nous ajouterons d'abord une factorielle complète de vos effets "fixes", de votre programme académique et de votre temps, puis nous ajouterons user_id, et une fois sélectionné, cliquez sur le triangle rouge à côté des attributs et sélectionnez aléatoire. Cela indiquera à JMP que cet effet est un effet aléatoire (ce qui est toujours le cas des sujets). Pour être complètement formel, nous devons dire à jmp que vos sujets sont imbriqués dans les conditions entre sujets, nous sélectionnons donc le facteur user_id dans les effets du modèle, puis sélectionnons le programme académique dans la liste des colonnes, puis cliquons sur "imbriquer".Enfin, si vous souhaitez exécuter ce modèle de manière à vous donner SS pour votre calcul d'êta au carré, changez la "Méthode" en haut à droite en EMS Traditionnelle (je reviendrai sur ce choix dans une minute). Votre boîte de dialogue devrait ressembler à ceci :
Lorsque vous cliquez sur Exécuter, vous obtiendrez le résultat traditionnel des mesures répétées des carrés moyens attendus avec tous les termes dont vous avez besoin pour calculer l'êta au carré partiel :
En remplaçant votre méthode par EMS, vous demandiez à JMP de calculer ce modèle à l'aide des carrés moyens attendus, une méthode traditionnelle et plus ancienne d'ajustement de ces modèles à mesures répétées. La méthode par défaut d'origine, REML, est la méthode la plus préférée (pour de nombreuses raisons statistiques) pour ces modèles et renvoie des modèles linéaires à effets mixtes. Si vous disposez de données complètes, un modèle mixte et un modèle ems renverront des valeurs p identiques. Lorsqu'il manque des données (au hasard), le modèle mixte surpassera l'EMS. Pour cette raison et d'autres, je recommanderais certainement REML plutôt que EMS, bien que vous ne puissiez pas calculer une mesure simple de la taille de l'effet pour vos facteurs (vous pouvez en savoir plus sur la controverse sur la taille de l'effet dans les modèles à effets mixtes si vous êtes intéressé) .
Si vous souhaitez simplifier la spécification de ces modèles de mesures répétées via une approche de modèle mixte, vous pouvez télécharger mon complément de mesures répétées entièrement factorielles ici : Complément de mesures répétées . La seule exigence est que vos données soient sous forme haute/empilée (ce que nous avons fait ci-dessus).
J'espère que ça aide!
@julien
