362097_zh-CN

liliconcom

在 JMP 上执行测试以对我的研究数据进行统计分析

大家好！ 我需要一些建议。

在我在安特卫普大学医院的硕士论文中，我正在进行一项实验，测量塑料医疗设备在医疗使用过程中释放的增塑剂（=有毒塑料成分）的数量和种类。 具体来说，我们在不同时间点测量了营养液输注过程中输注回路中增塑剂的释放情况。

 

简单来说：

1. 我们通过医用输液回路注入营养液，并在不同时间点（输注前、12、24 和 48 小时后）在回路末端将其捕获。 然后我们测量收集的营养液中不同增塑剂的浓度。 通过这种方式，可以检查随时间的浸出情况。
2. 我们对 3 种不同的营养液进行了这项实验，看看这些液体之间增塑剂的释放是否存在显着差异。
   1. 对于营养液1，实验进行三次，其他仅进行一次。

 

我的数据库看起来如下：

 

实验	营养液	集合时间点（小时）	增塑剂浓度1（微克）	浓缩增塑剂2 （微克）	浓缩增塑剂3 （微克）
1	液体1	0	X	X	X
1	液体1	12	X	X	X
1	液体1	24	X	X	X
1	液体1	48	X	X	X
2	流体2	0	X	X	X
2	流体2	12	X	X	X
2	流体2	24	X	X	X
2	流体2	48	X	X	X
3	液体3	0	X	X	X
3	液体3	12	X	X	X
3	液体3	24	X	X	X
3	液体3	48	X	X	X

 

（我们仍在等待不同增塑剂的浓度结果）

 

我的问题：哪种测试最适合在 JMP 上运行以进行统计分析？ 或者（直观地）显示我的数据的重要性/结果？ 为了

1. 显示增塑剂释放的浓度。
2. 跟踪增塑剂随时间的释放情况。
3. 检查 3 种不同营养液之间增塑剂释放的差异。

 

提前谢谢了！

 

亲切的问候，

卡米尔

数据存取分享和交流结果回复：在 JMP 上执行测试以对我的研究数据进行统计分析

对此没有简单且单一的答案，尤其是在事先不知道过程、噪声、物理和数据的情况下。

随附的脚本可生成一个包含两个脚本和一些建模数据的表。

对我来说，第一种方法始终是视觉判断（通过图形生成器等）。

第二种方法可能是拟合模型平台，在本例中为最小二乘法，请参阅第二个脚本。 p 值可以告诉您参数的重要性，流体 3 与增塑剂 3 不同，但很难找到。 有了更多的数据，就更容易找到。 按“？”在报告中单击鼠标，您将找到上下文帮助了解详细信息。

祝你好运！

 

 

 

Names Default To Here( 1 );

Random Reset( 42 );

db = New Table( "Plasticizers",
 add rows( 12 ),
 New Column( "Experiment", "Numeric", "Ordinal", set values( [1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3] ) ),
 New Column( "Nutritive fluid",
  "Character",
  "Nominal",
  set values(
   {"fluid 1", "fluid 1", "fluid 1", "fluid 1", "fluid 2", "fluid 2", "fluid 2", "fluid 2", "fluid 3", "fluid 3", "fluid 3", "fluid 3"}
  )
 ),
 New Column( "Time points of collection (hours)",
  Numeric,
  Continuous,
  set format( "Best", 12 ),
  set values( [0, 12, 24, 48, 0, 12, 24, 48, 0, 12, 24, 48] )
 ),
 New Column( "Concentration plasticizer 1 (micrograms)",
  "Numeric",
  Continuous,
  set formula( Random Normal( 1, 1 ) + 0.1 * Name( "Time points of collection (hours)" ) )
 ),
 New Column( "Concentration plasticizer 2 (micrograms)",
  "Numeric",
  Continuous,
  set formula( Random Normal( 3, 1 ) + 0.2 * Name( "Time points of collection (hours)" ) )
 ),
 New Column( "Concentration plasticizer 3 (micrograms)",
  "Numeric",
  Continuous,
  set formula( Random Normal( 10, 1 ) + If( Name( "Nutritive fluid" ) == "fluid 3", 0.5, 0.1 ) * Name( "Time points of collection (hours)" ) )
 ), 

);

db << Add Properties to Table(
 {New Script(
  "Concentration plasticizer 1 (micrograms) & 2 more vs. Time points of collection (hours)",
  Graph Builder(
   Size( 855, 739 ),
   Variables(
    X( :Name( "Time points of collection (hours)" ) ),
    Y( :Name( "Concentration plasticizer 1 (micrograms)" ) ),
    Y( :Name( "Concentration plasticizer 2 (micrograms)" ), Position( 1 ) ),
    Y( :Name( "Concentration plasticizer 3 (micrograms)" ), Position( 1 ) ),
    Group X( :Nutritive fluid )
   ),
   Elements( Points( X, Y( 1 ), Y( 2 ), Y( 3 ), Legend( 14 ) ), Smoother( X, Y( 1 ), Y( 2 ), Y( 3 ), Legend( 15 ) ) )
  )
 ), New Script(
  "Fit Least Squares",
  Fit Model(
   Y(
    :Name( "Concentration plasticizer 1 (micrograms)" ),
    :Name( "Concentration plasticizer 2 (micrograms)" ),
    :Name( "Concentration plasticizer 3 (micrograms)" )
   ),
   Effects( :Nutritive fluid, :Name( "Time points of collection (hours)" ) ),
   Personality( "Standard Least Squares" ),
   Emphasis( "Effect Leverage" ),
   Run(
    :Name( "Concentration plasticizer 1 (micrograms)" ) << {Summary of Fit( 1 ), Analysis of Variance( 1 ), Parameter Estimates( 1 ),
    Lack of Fit( 0 ), Scaled Estimates( 0 ), Plot Actual by Predicted( 1 ), Plot Residual by Predicted( 1 ),
    Plot Studentized Residuals( 0 ), Plot Effect Leverage( 1 ), Plot Residual by Normal Quantiles( 0 ), Box Cox Y Transformation( 0 )},
    :Name( "Concentration plasticizer 2 (micrograms)" ) << {Summary of Fit( 1 ), Analysis of Variance( 1 ), Parameter Estimates( 1 ),
    Lack of Fit( 0 ), Scaled Estimates( 0 ), Plot Actual by Predicted( 1 ), Plot Residual by Predicted( 1 ),
    Plot Studentized Residuals( 0 ), Plot Effect Leverage( 1 ), Plot Residual by Normal Quantiles( 0 ), Box Cox Y Transformation( 0 )},
    :Name( "Concentration plasticizer 3 (micrograms)" ) << {Summary of Fit( 1 ), Analysis of Variance( 1 ), Parameter Estimates( 1 ),
    Lack of Fit( 0 ), Scaled Estimates( 0 ), Plot Actual by Predicted( 1 ), Plot Residual by Predicted( 1 ),
    Plot Studentized Residuals( 0 ), Plot Effect Leverage( 1 ), Plot Residual by Normal Quantiles( 0 ), Box Cox Y Transformation( 0 )}
   )
  )
 
 )}
);