공변량에 따른 결과에 대한 반복 측정올바르게 분석하기 위해 고심하고있는 데이터 세트를주의 깊게 가져올 수 있습니다.
| 연구 ID | 살아 있는 | 측정 일 | 변수 1 | 변수 2 | 변수 공동 |
| ㅏ | 1 | 0 | 210 | 500 | 예 |
| ㅏ | 1 | 2 | 210 | 250 | 예 |
| 비 | 1 | 0 | 151 | 398 | 아니 |
| 비 | 1 | 1 | 151 | 372 | 아니 |
| 비 | 1 | 2 | 151 | 320 | 예 |
| 비 | 1 | 삼 | 151 | 268 | 아니 |
| 비 | 1 | 4 | 151 | 372 | 아니 |
| 씨 | 0 | 0 | 33 | 269 | 예 |
| 씨 | 0 | 1 | 33 | 203 | 아니 |
모든 대상 (연구 ID)에 대해 측정을 반복함에 따라 모든 변수가 다양한 시점 (측정 일) 동안 누적되었습니다. 모두 명목상 결과가 나옵니다 : 생존 : 1/0.
1. 변수 1과 2는 연속 변수이며 내 과목의 결과 (생존)를 결정할 수 있습니다 (연구 ID)
-내가 가장 많이 사용한 테스트를 안내해 주거나 참조를 참조 할 수 있습니까?
2. 문제 1 : 피험자들은 다른 기간 (최근 측정 일까지)에서 사망하거나 생존합니다. 어떻게해야합니까?
삼. 문제 2 : 모든 피험자가 모든 날 (측정 일)에 대해 측정을 반복하지는 않았지만 일부가 누락되었습니다 (예 : 연구 ID : A). 어떻게해야합니까?
4. Variable Co는 Variable 2에 영향을 줄 수 있으며, 이는 결과 (Alive)에 영향을 줄 수 있습니다.이 영향을 어떻게 설명합니까?
안내해 주셔서 감사합니다! 이 분석에 도움을 주셔서 감사합니다. 마크
다시 : 공변량에 따른 결과에 대한 반복 측정이것은 일반적인 '반복 측정'디자인이 아닙니다. 이것은 '생존'연구입니다. 결과 (응답)가 살아 있거나 죽지 않았습니다. 죽음은 '이벤트'입니다. 응답은이 이벤트의 시간입니다 (일). 일부 대상이 여전히 살아 있다는 사실은 마지막으로 관찰 된 시간이 최소 수명임을 의미합니다. 이러한 데이터는 '검열'됩니다. JMP에서 '오른쪽 검열 된'데이터를 사용할 수 있습니다 (하한 만). 지속적으로 대상을 모니터링하지 않고 하루에 한 번만 더 정확한 추정치 (하한 및 상한)를 얻으려면 '간격 검열'을 사용해야한다고 제안합니다.
결과 (일)에 대해 두 개의 열이 있도록 테이블을 빌드하십시오. 첫 번째 열은 그들이 마지막으로 살아있는 것으로 관찰 된 시간이고 두 번째 열은 그들이 처음으로 죽은 것으로 관찰 된 시간입니다. 며칠 동안 주제를 관찰했다는 사실은 관련이 없습니다. 중요한 것은 죽음의 시간뿐입니다.
마지막 관측치의 공변량을 포함하여 각 주제에 대해 하나의 관측치로 데이터 테이블을 설정합니다. 처음 몇 주제의 경우 다음과 같이 보일 수 있습니다. (당신의 모범을 이해한다면)
데이터를 분석하려면 분석> 모형 적합을 선택하십시오. 성격 드롭 다운 메뉴를 클릭하고 파라 메트릭 서바이벌을 선택하십시오. Early 및 Late 데이터 열을 선택하고 Y를 클릭하십시오. 참고 : 가장 빠른 시간을 먼저 입력해야합니다. 공변량 데이터 열을 선택하고 추가 또는 매크로를 사용하여 선형 예측 변수를 만듭니다. 봐야한다 어떤 것 이처럼 :
실행을 클릭하십시오.
모델에서 변수 2와 변수 co를 함께 사용하지 않는 것이 좋습니다.
