Gestatten Sie mir, Sie auf einen Datensatz aufmerksam zu machen, den ich nur schwer richtig analysieren kann:
| Studien-ID | Am Leben | Tag der Messung | Variable 1 | Variable 2 | Variable Zusammenarbeit |
| EIN | 1 | 0 | 210 | 500 | Ja |
| EIN | 1 | 2 | 210 | 250 | Ja |
| B | 1 | 0 | 151 | 398 | Nein |
| B | 1 | 1 | 151 | 372 | Nein |
| B | 1 | 2 | 151 | 320 | Ja |
| B | 1 | 3 | 151 | 268 | Nein |
| B | 1 | 4 | 151 | 372 | Nein |
| C | 0 | 0 | 33 | 269 | Ja |
| C | 0 | 1 | 33 | 203 | Nein |
Da ich für alle meine Probanden wiederholte Messungen durchgeführt habe (Studien-ID), wurden alle Variablen für die verschiedenen Zeitpunkte (Tag der Messung) gestapelt. Alle haben ein nominelles Ergebnis: Alive: 1/0.
1. Variable 1 und 2 sind kontinuierliche Variablen und können das Ergebnis (lebendig) für mein Fach bestimmen (Studien-ID)
- Können Sie mir den Test erläutern, den ich am besten verwendet habe, oder sich auf die Referenz beziehen?
2. Problem1: Probanden sterben oder überleben zu unterschiedlichen Zeiten (bis zum letzten Messtag) - wie erkläre ich das?
3. Problem 2: Nicht alle Probanden haben an allen Tagen (Tag der Messung) wiederholte Messungen, einige fehlen (Beispiel Studien-ID: A) - wie rechne ich diese ab?
4. Die Variable Co kann die Variable 2 beeinflussen, was sich auf das Ergebnis auswirken kann (lebendig). Wie würde ich diesen Effekt erklären?
Vielen Dank für Ihre Anleitung! Ich freue mich sehr über Ihre Hilfe bei dieser Analyse! Marc
Dies ist kein herkömmliches Design mit wiederholten Messungen. Dies ist eine Überlebensstudie. Das Ergebnis (die Antwort) ist nicht lebendig oder tot. Der Tod ist das "Ereignis". Die Antwort ist die Zeit auf dieses Ereignis (Tag). Die Tatsache, dass einige Probanden noch am Leben sind, bedeutet, dass die zuletzt beobachtete Zeit eine minimale Lebenszeit ist. Solche Daten werden "zensiert". Sie können "rechtszensierte" Daten in JMP verwenden (nur untere Schranke). Die Tatsache, dass Sie das Thema nicht kontinuierlich überwachen, sondern nur einmal am Tag, legt nahe, dass Sie die Intervallzensur verwenden sollten, um genauere Schätzungen zu erhalten (untere und obere Grenze).
Erstellen Sie Ihre Tabelle so, dass Sie zwei Spalten für das Ergebnis (Tag) haben. Die erste Spalte ist der Zeitpunkt, zu dem sie das letzte Mal lebend beobachtet wurden, und die zweite Spalte ist der Zeitpunkt, zu dem sie das erste Mal tot beobachtet wurden. Die Tatsache, dass Sie ein Thema viele Tage lang beobachtet haben, spielt keine Rolle. Es ist nur die Zeit bis zum Tod, die zählt.
Sie richten Ihre Datentabelle mit einer Beobachtung für jedes Subjekt ein, einschließlich der Kovariaten für die letzte Beobachtung. Bei den ersten Themen könnte es so aussehen. (Wenn ich dein Beispiel verstehe.)
Um die Daten zu analysieren, wählen Sie Analysieren> Modell anpassen. Klicken Sie auf das Dropdown-Menü für Persönlichkeit und wählen Sie Parametrisches Überleben. Wählen Sie die Spalten Früh und Spät aus und klicken Sie auf Y. HINWEIS: Es ist unbedingt erforderlich, dass der früheste Zeitpunkt zuerst eingegeben wird. Wählen Sie die kovariaten Datenspalten aus und verwenden Sie Hinzufügen oder Makros, um den linearen Prädiktor zu erstellen. Es sollte aussehen etwas so was:
Klicken Sie auf Ausführen.
Ich empfehle, dass Sie Variable 2 und Variable co nicht zusammen im Modell verwenden.
