带有附加“嵌套”参数的重复测量混合线性模型？嗨，JMP社区，
我需要相对复杂的重复测量混合线性模型的帮助：
内容：
我收集了在基线，第4周和第12周接受不同治疗的受试者的数据（重复测量；请参见小节摘录）。我已经使用具有以下模型效果的Fit Model REML平台分析了此数据集：
- 臂
- 时间点
- ARM *时间点
- 患者ID [ARM]和随机
- 患者ID * TIME POINT [ARM]和随机
问题：
我现在需要合并一个附加效果（即 板ID）也需要与患者ID嵌套在一起（如果我使用不当，请更正我）。
假设可以使用JMP 14.1（不是Pro）来完成，那么模型效果的正确结构是什么？
仅包含一个新术语=是正确的吗？患者ID [PLATE ID]和随机 ？
感谢您的帮助。
TS
分析工具回复：带有附加“嵌套”参数的重复测量混合线性模型？ 我可以给您关于您的数据集的想法：
1。您有4个Plate_ID，7个患者ID和5个ARM，然后在3个时间段内进行测量。 如果我正确阅读，则只有7种独特的组合。数据如下图所示。
2。在某些情况下，患者ID和Plate_ID会混淆。 除了ARM = E以外，ARM与患者ID混淆。
3。DATA没有上下文吗？该响应变量的多少变化值得考虑（具有实际意义）？
4。您指示要使用线性模型，但是“因子”超过2个级别。
那么如何处理时间序列数据：
1。您可以通过范围图快速查看时间序列的一致性。
2。尽管数据看起来不一致，但是您可以计算统计信息以总结该影响（平均值和标准偏差，附加的JMP文件）。
3。您在时间序列中寻找什么？线的斜率值吗？
回复：带有附加“嵌套”参数的重复测量混合线性模型？嗨，斯塔曼，
感谢您抽出宝贵的时间查看我共享的数据的一小部分。显然，在该数据集中，我有更多的患者（n = 115），每只手臂有10-25位患者。不幸的是，我无法共享整个数据集，因此无法进行描述。
尽管我真的很欣赏您的建设性方法，但我已经清楚我要实现的目标：LSMEAN在每个时间点都与A组和其他所有组之间形成对比。我希望+/- 0.2的显着差异在生物学上是有意义的。
我真正需要帮助的地方是澄清正确的模型结构，以说明与测定平台相关的潜在混杂因素（即 板ID）。有什么想法吗？
谢谢
TS回复：带有附加“嵌套”参数的重复测量混合线性模型？抱歉，我只能使用您给我的东西。 您没有提到这是数据集的子集...
关于您的问题“ 我真正需要帮助的地方是澄清正确的模型结构，以说明与测定平台相关的潜在混杂因素（即 板ID）。”
简而言之，您无法分离混杂因素，因此您必须仔细得出有关上述因素的结论。
回复：带有附加“嵌套”参数的重复测量混合线性模型？嗨，斯塔曼，
感谢您为我提供的帮助。抱歉，提供令人误解的信息：在我的第一篇文章中，我写了“见附件摘录”。我了解，可能尚不清楚这是否是我的数据的子集。我应该清楚地知道，这只是为了提供数据组织而不是整个数据集的快照而包含的数据子集。
关于我的问题，我意识到使用“混淆”一词可能具有我不希望的非常具体的含义。也许，描述我正在寻找的一种更好的方法是关于如何最好地说明批处理效果的可能贡献的建议（即 通常，在探索如我共享的小表子集所示的组织数据时，通常将PLATE ID嵌套在PATIENT ID中）。
我知道在无法共享完整数据集的情况下提供有关问题的反馈有多困难（我一直在试图帮助其他用户的情况下）
最好 ，
TS回复：带有附加“嵌套”参数的重复测量混合线性模型？不用担心，希望我能有所帮助。 我真的不明白您将Plate ID嵌套在Patient中的意思。 从您包括的小型示例数据集中，没有明显的嵌套。 对于要嵌套的变量，它必须取决于另一个变量。 因此，对于您的批次示例，批次内的样本嵌套在批次内。 我只是不了解您的情况，无法提供更好的指导。 我看不到批处理将如何嵌套在Patient中，但这是由于不了解您的特定情况。 如果确实有变量（A），并且嵌套在变量（B）中，则可以将术语A [B]添加到模型中。 当然，这将不允许估计交互作用。
回复：带有附加“嵌套”参数的重复测量混合线性模型？嗨，斯塔曼，
首先，我搞砸了：倒转了嵌套关系描述-即 Patient_ID嵌套在PLATE_ID中-并非相反。
其次，我创建了一个匿名数据集，它将使JMP社区更好地了解完整数据集。
第三，我正在考虑使用具有REML个性的以下拟合模型结构：
- 臂
- 时间点
- ARM *时间点
- 患者ID [ARM]和随机
- 患者ID * TIME POINT [ARM]和随机
- 患者ID [PLATE ID]和随机
这种方法是否适合探讨ARM和TIME POINT对这些重复测量（DATA）的影响，同时又将PLATE_ID解释为可能的变化源？仅供参考，对数据的快速视觉调查表明，数据受PLATE_ID，ARM和TIME POINT的影响。
最好，
TS
