Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Salut la communauté JMP,
J'ai besoin d'aide avec un modèle linéaire mixte à mesures répétées relativement complexe :
Le contexte:
J'ai recueilli des données auprès de sujets exposés à différents traitements, au départ, à la semaine 4 et à la semaine 12 (mesures répétées ; voir petit extrait ci-joint). J'ai analysé cet ensemble de données à l'aide de la plateforme Fit Model REML avec les effets de modèle suivants :
- BRAS
- TEMPS
- ARM*TIME POINT
- ID du patient [ARM] et aléatoire
- ID patient * POINT TEMPS [ARM] et aléatoire
Publier:
Je dois maintenant incorporer un effet supplémentaire (c'est-à-dire PLATE ID) qui doit également être imbriqué avec Patient ID (corrigez-moi si j'utilise le terme de manière incorrecte).
En supposant que cela puisse être fait avec JMP 14.1 (pas Pro), quelle serait la structure correcte des effets du modèle ?
Serait-il correct de n'inclure qu'un nouveau terme = ID du patient [ID DE PLAQUE] et aléatoire ?
Merci de votre aide.
TS
AnalytiqueRe : Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Salut Staman,
Tout d'abord, j'ai foiré : j'ai inversé la description de la relation d'imbrication - c'est-à-dire que Patient_ID est imbriqué dans PLATE_ID - et non l'inverse.
Deuxièmement, j'ai créé un ensemble de données anonymes qui donnera à la communauté JMP un meilleur aperçu de l'ensemble de données complet.
Troisièmement, je pense utiliser la structure de modèle d'ajustement suivante avec la personnalité REML :
- BRAS
- TEMPS
- ARM*TIME POINT
- ID du patient [ARM] et aléatoire
- ID patient * POINT TEMPS [ARM] et aléatoire
- ID du patient [ID DE PLAQUE] et aléatoire
Cette approche est-elle appropriée pour explorer la différence entre l'effet de ARM et TIME POINT pour ces mesures répétées (DATA) tout en tenant compte de PLATE_ID comme source possible de variation ? Pour votre information, un examen visuel rapide des données suggère que les DATA sont influencées par PLATE_ID, ARM et TIME POINT.
Meilleur,
TS
Re : Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Pas de soucis, j'aimerais pouvoir être plus utile. Je ne comprends vraiment pas ce que vous entendez par Plate ID imbriqué dans Patient. À partir du petit ensemble de données d'exemple que vous avez inclus, il n'y avait pas d'imbrication évidente. Pour qu'une variable soit imbriquée, elle doit dépendre d'une autre variable. Ainsi, pour votre exemple de lots, les échantillons de lot sont imbriqués dans le lot. Je ne comprends tout simplement pas votre situation pour mieux vous guider. Je ne vois pas comment les lots seraient imbriqués dans Patient, mais cela est dû au fait que vous ne comprenez pas votre situation particulière. Si vous avez une variable (A) et qu'elle est imbriquée dans la variable (B), vous ajouterez alors le terme A[B] au modèle. Bien sûr, cela ne permettrait pas d'estimer les effets d'interaction.
Re : Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Salut Staman,
Merci pour vos efforts pour m'aider. Désolé d'avoir donné des informations trompeuses : dans mon post initial, j'ai écrit "voir petit extrait en pièce jointe". Je comprends qu'il n'était peut-être pas clair qu'il s'agisse d'un sous-ensemble de mes données. J'aurais dû préciser que ce sous-ensemble de données n'a été inclus que pour donner un aperçu de l'organisation des données et non de l'ensemble des données.
Concernant ma question, je me rends compte que l'utilisation du terme "confondre" peut avoir des connotations très spécifiques que je n'avais pas l'intention. Peut-être qu'une meilleure façon de décrire ce que je recherche est une recommandation sur la meilleure façon de tenir compte de la contribution possible d'un effet de lot (c'est-à-dire PLATE ID imbriqué dans PATIENT ID) en général lors de l'exploration de données organisées comme indiqué dans le petit tableau sous-ensemble que j'ai partagé.
Je sais à quel point il est difficile de fournir des commentaires sur un problème lorsque l'ensemble de données complet ne peut pas être partagé (j'ai été dans la même situation en essayant d'aider d'autres utilisateurs)
Meilleur ,
TSRe : Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Désolé, je ne peux travailler qu'avec ce que vous me donnez. Vous n'avez pas mentionné qu'il s'agissait d'un sous-ensemble de votre ensemble de données...
Concernant votre question" Là où j'ai réellement besoin d'aide, c'est pour clarifier la structure correcte du modèle pour tenir compte d'un facteur de confusion potentiel lié à la plate-forme d'essai (c'est-à-dire PLATE ID)."
Assez simplement, vous ne pouvez pas séparer les facteurs confondus, vous devez donc être tirer des conclusions prudentes sur lesdits facteurs.
Re : Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Salut Staman,
Merci d'avoir pris le temps d'examiner le petit sous-ensemble de données que j'ai partagé. Évidemment, j'ai beaucoup plus de patients dans cet ensemble de données (n = 115) avec 10 à 25 patients par bras. Malheureusement, je ne peux pas partager l'ensemble des données, d'où la description.
Bien que j'apprécie vraiment votre approche constructive, je suis déjà clair sur ce que je veux réaliser : les LSMEAN contrastent entre le bras A et tous les autres à chaque instant. Je m'attends à ce qu'une différence significative de +/- 0,2 soit significative sur le plan biologique.
Là où j'ai réellement besoin d'aide, c'est pour clarifier la structure correcte du modèle pour tenir compte d'un facteur de confusion potentiel lié à la plate-forme d'essai (c'est-à-dire PLATE ID). Des pensées?
Merci
TSRe : Modèle linéaire mixte à mesures répétées avec un paramètre "imbriqué" supplémentaire ?Je peux vous donner mon avis sur votre ensemble de données :
1. Vous disposez de 4 Plate_ID, 7 Patient ID et 5 ARM, puis effectuez des mesures sur 3 périodes. Si j'ai bien lu, vous n'avez que 7 combinaisons uniques. Les données ressemblent à l'image ci-dessous.
2. Dans certains cas, Patient ID et Plate_ID sont confondus. ARM est confondu avec Patient ID, sauf lorsque ARM=E.
3. Il n'y a pas de contexte pour les DATA ? Quelle quantité de changement dans cette variable de réponse mérite d'être prise en considération (est d'une importance pratique) ?
4. Vous indiquez que vous souhaitez un modèle linéaire, mais les "facteurs" sont à plus de 2 niveaux.
Alors, comment pouvez-vous gérer les données de séries chronologiques :
1. Vous pouvez jeter un coup d'œil rapide à la cohérence de la série chronologique avec un graphique de plage.
2. Vous pouvez calculer une statistique pour résumer cet effet (moyenne et écart type, fichier JMP joint) bien que les données semblent incohérentes.
3. Que recherchez-vous dans la série chronologique ? La pente de la droite aurait-elle une valeur ?
