序列相关我有一个数据集，其中从同一位患者收集了多个值。 有 25 名患者，但每个患者大约有 30 个观察值。
这些患者在不同时间点测量经皮二氧化碳。 我们正在将不同的特征（氧气需求、呼吸支持）与正常和异常的经皮 CO2 测量值进行比较。 还将经皮 CO2 与 FiO2 相关联。 我们还将进行多元回归分析。
这显然会导致非独立观察和标准测试 P 值误差的问题。
我正在与一位使用 SAS 分析数据的统计学家交谈。 他提到他可以在 SAS 中调整序列相关性的统计检验。
在 jmp 中可以这样做吗？
回复：序列相关STATA 程序中的 xtreg 命令
他对面板数据使用回归分析。
根据统计学家的说法，“简单的 t 检验不适用于数据”。 我仍然想在 JMP 中复制结果
回复：序列相关嗯，我联系不上他。 但是会问
同时我想弄清楚在这种情况下 Fit Y by X 是否是合适的策略？
回复：序列相关“统计学家只需将他用 SAS 分析的结果发给我”。 你能否要求他们也发送他们使用的 SAS 代码并将其张贴在这里（不是数据），好吗？
回复：序列相关统计学家刚刚将他的 SAS 分析结果发给我。他对正常和异常经皮 CO2 的 FiO2 平均值的分析与我根据 jmp 上的 X 比较的简单单变量拟合 Y 计算得出的结果大不相同。
我能给出的唯一解释是它与值的序列相关性有关（每个患者每 30 分钟记录一次多个值）。 在 jmp 中，我将每一行都算作一个独立的观察值。 我不完全确定统计学家做了什么（我无法联系到他）。
我不想把他的分析看成是表面上的，想独立验证结果（也有助于我在写作时理解它）
回复：序列相关因此，您对 25 名患者中的每名患者都有大约 30 个观察值。 每次观察都是一个时间点，包括患者 ID、经皮 CO2、FiO2、需氧量、呼吸支持。 这对吗？
是这是正确的
我理解“序列相关”是指响应是自相关的。 你知道为什么吗？ 例如，是否在对随机变化来说太短的时间段内进行了测量，或者是否在同一时间段内进行了影响响应的处理？
每 30 分钟进行一次测量。 这些患者在医院接受各种治疗，因此一段时间内的各种治疗会影响反应。
这些变量中哪个是对您重要的响应或结果？
经皮 CO2 是预测变量（根据值分类为正常和异常），预测变量是 FiO2、流速、细支气管炎评分和 pew sco 最重要的是 FiO2 和流速 re。
是否有任何其他变量，例如年龄、性别或疾病状态？
性别和患者的体重是可能影响的其他变量
每次观察是否独立确定正常或异常的经皮 CO2？
是的，这是针对每个观察独立确定的
统计学家是否解释了将要使用的调整的性质？
并不真地
我认为将患者作为随机效应的混合模型是可以的，但可能有必要为随机系数模型嵌套其他参数。 JMP 可以执行其中一些回归。 其他回归可能需要 JMP Pro。
回复：序列相关因此，您对 25 名患者中的每名患者都有大约 30 个观察值。 每次观察都是一个时间点，包括患者 ID、经皮 CO2、FiO2、需氧量、呼吸支持。 这对吗？
我理解“序列相关”是指响应是自相关的。 你知道为什么吗？ 例如，是否在对随机变化来说太短的时间内进行了测量，或者是否在同一时间段内进行了影响响应的处理？
这些变量中哪个是对您重要的响应或结果？
是否有任何其他变量，例如年龄、性别或疾病状态？
每次观察是否独立确定正常或异常的经皮 CO2？
统计学家是否解释了将要使用的调整的性质？
我认为将患者作为随机效应的混合模型是可以的，但可能有必要为随机系数模型嵌套其他参数。 JMP 可以执行其中一些回归。 其他回归可能需要 JMP Pro。
