序列相關我有一個數據集，其中從同一位患者收集了多個值。 有 25 名患者，但每個患者大約有 30 個觀察值。
這些患者在不同時間點測量經皮二氧化碳。 我們正在將不同的特徵（氧氣需求、呼吸支持）與正常和異常的經皮 CO2 測量值進行比較。 還將經皮 CO2 與 FiO2 相關聯。 我們還將進行多元回歸分析。
這顯然會導致非獨立觀察和標準測試 P 值誤差的問題。
我正在與一位使用 SAS 分析數據的統計學家交談。 他提到他可以在 SAS 中調整序列相關性的統計檢驗。
在 jmp 中可以這樣做嗎？
回复：序列相關STATA 程序中的 xtreg 命令
他對面板數據使用回歸分析。
根據統計學家的說法，“簡單的 t 檢驗不適用於數據”。 我仍然想在 JMP 中復制結果
回复：序列相關嗯，我聯繫不上他。 但是會問
同時我想弄清楚在這種情況下 Fit Y by X 是否是合適的策略？
回复：序列相關“統計學家只需將他用 SAS 分析的結果發給我”。 你能否要求他們也發送他們使用的 SAS 代碼並將其張貼在這裡（不是數據），好嗎？
回复：序列相關統計學家剛剛將他的 SAS 分析結果發給我。他對正常和異常經皮 CO2 的 FiO2 平均值的分析與我根據 jmp 上的 X 比較的簡單單變量擬合 Y 計算得出的結果大不相同。
我能給出的唯一解釋是它與值的序列相關性有關（每個患者每 30 分鐘記錄一次多個值）。 在 jmp 中，我將每一行都算作一個獨立的觀察值。 我不完全確定統計學家做了什麼（我無法聯繫到他）。
我不想把他的分析看成是表面上的，想獨立驗證結果（也有助於我在寫作時理解它）
回复：序列相關因此，您對 25 名患者中的每名患者都有大約 30 個觀察值。 每次觀察都是一個時間點，包括患者 ID、經皮 CO2、FiO2、需氧量、呼吸支持。 這對嗎？
是這是正確的
我理解“序列相關”是指響應是自相關的。 你知道為什麼嗎？ 例如，是否在對隨機變化來說太短的時間段內進行了測量，或者是否在同一時間段內進行了影響響應的處理？
每 30 分鐘進行一次測量。 這些患者在醫院接受各種治療，因此一段時間內的各種治療會影響反應。
這些變量中哪個是對您重要的響應或結果？
經皮 CO2 是預測變量（根據值分類為正常和異常），預測變量是 FiO2、流速、細支氣管炎評分和 pew sco 最重要的是 FiO2 和流速 re。
是否有任何其他變量，例如年齡、性別或疾病狀態？
性別和患者的體重是可能影響的其他變量
每次觀察是否獨立確定正常或異常的經皮 CO2？
是的，這是針對每個觀察獨立確定的
統計學家是否解釋了將要使用的調整的性質？
並不真地
我認為將患者作為隨機效應的混合模型是可以的，但可能有必要為隨機係數模型嵌套其他參數。 JMP 可以執行其中一些回歸。 其他回歸可能需要 JMP Pro。
回复：序列相關因此，您對 25 名患者中的每名患者都有大約 30 個觀察值。 每次觀察都是一個時間點，包括患者 ID、經皮 CO2、FiO2、需氧量、呼吸支持。 這對嗎？
我理解“序列相關”是指響應是自相關的。 你知道為什麼嗎？ 例如，是否在對隨機變化來說太短的時間內進行了測量，或者是否在同一時間段內進行了影響響應的處理？
這些變量中哪個是對您重要的響應或結果？
是否有任何其他變量，例如年齡、性別或疾病狀態？
每次觀察是否獨立確定正常或異常的經皮 CO2？
統計學家是否解釋了將要使用的調整的性質？
我認為將患者作為隨機效應的混合模型是可以的，但可能有必要為隨機係數模型嵌套其他參數。 JMP 可以執行其中一些回歸。 其他回歸可能需要 JMP Pro。
