Questo componente aggiuntivo richiederà l'estensione non strutturato misura ripetutamente matrici di covarianza e correlazione e le riporta in forma di matrice (anziché come elenco di colonne). Il componente aggiuntivo produce anche una mappa termica delle correlazioni nei ritardi temporali.Questi moduli di output semplificano la valutazione della correlazione dei dati e della struttura di covarianza per scegliere le strutture candidate da adattare.Questo componente aggiuntivo è stato creato in collaborazione con @julian e poiché si basa su una struttura ripetuta disponibile solo in JMP Pro , sarà utile solo agli utenti di JMP Pro .
Per utilizzare questo componente aggiuntivo è necessario prima scaricare il file allegato (estensione "jmpaddin") e fare clic sul file per aprirlo. Ti verrà chiesto di installare il componente aggiuntivo. Clicca il Installare pulsante. È ora possibile eliminare il file originale. Il componente aggiuntivo è installato in modo permanente nel menu "Componenti aggiuntivi" in JMP.
Quindi apri il file di dati delle misure ripetute. Qui usiamo il file di dati allegato Abilità respiratorie impilate .Questo esempio appare come Data Set 5.2, "Respiratory Ability", nell'Appendice 2 di SAS per modelli misti, seconda edizione (2006). È apparso originariamente in Littell, Pendergast e Natarajan (2000) ed è stato utilizzato in Littell, Stroup e Freund (2002).
Come descritto in SAS per modelli misti : Una società farmaceutica ha esaminato gli effetti di tre farmaci sulla capacità respiratoria dei pazienti asmatici. I trattamenti erano un farmaco standard (A), un farmaco di prova (C) e un placebo (P). I farmaci sono stati assegnati in modo casuale a 24 pazienti ciascuno. Il trattamento assegnato è stato somministrato a ciascun paziente e una misura standard della capacità respiratoria chiamata FEV1 è stata misurata ogni ora per 8 ore dopo il trattamento. Anche il FEV1 è stato misurato immediatamente prima della somministrazione dei farmaci.
La tabella dei dati originale era nel formato lungo, con colonne diverse per ogni punto temporale. (Una riga per paziente, ma la risposta era in otto colonne diverse, in base al punto temporale.) Per analizzare più facilmente l'andamento del tempo, è utile creare prima una versione in pila dei dati , dove ogni paziente ha ora otto righe e la risposta FEV1 è ora in una singola colonna.È anche utile creare una colonna "Ora come numero" per consentire l'adattamento di strutture di covarianza come AR (1), spaziale e antidipendente che richiedono una misurazione continua del tempo. Infine, è utile creare una colonna "paziente (farmaco)" per identificare in modo univoco ogni paziente. (I numeri dei pazienti si ripetono per i tre gruppi di farmaci, ma il paziente 201 nel farmaco C NON è la stessa persona del paziente 201 nel farmaco P.)
Usa Analizza> Adatta modello per definire il modello. Cambiare il Personalità a "Modello misto" per visualizzare le schede "Construct Model Effects" che includono "Random Effects" e "Repeated Structure".
Immettere "FEV1" come variabile Y. Immettere "farmaco", "ora" e "farmaco * ora" come effetti fissi. (Puoi anche mettere "basefev1" qui se vuoi regolare ogni soggetto in base alla loro misurazione FEV1 di base.) Non è necessario inserire alcun effetto casuale. Per la struttura ripetuta, selezionare "Non strutturato" e immettere "ora" come ripetuto e "paziente (farmaco)" come soggetto.
Ecco la matrice di varianza / covarianza riportata dall'output:
Utilizzo del componente aggiuntivo:
Ora fai clic sul componente aggiuntivo "Repeated Measures Cov / Corr Diagnostics" usando il pulsante per questo sotto il tuo Componenti aggiuntivi scheda nella barra dei menu di JMP.Se sono aperti diversi rapporti di modello, verrà richiesto di selezionare il rapporto su cui si desidera utilizzare questo componente aggiuntivo.
Il componente aggiuntivo produrrà un output aggiuntivo nella parte inferiore del report. Scorri verso il basso per trovare le matrici di correlazione e covarianza (inclusa una versione della matrice di covarianza che riporta gli errori standard per tali stime di varianza e covarianza) e la mappa termica di correlazione.
Se il gradiente di colore predefinito sulla mappa termica non è molto informativo, fai clic con il pulsante destro del mouse sulla scala di colori da rosso a blu e seleziona "Gradiente".
Fare clic sul "Tema colore" per selezionare qualcosa Seque ntial (se hai solo correlazioni positive, ad esempio). Se lo desideri, regola la gamma di luminosità. Modificare il "Tipo di intervallo" in "Intervallo dati esatto" per distinguere meglio tra correlazioni alte e basse per l'intervallo specifico.
Ora puoi utilizzare i valori nella diagonale della matrice di covarianza non strutturata per determinare se le varianze possono essere trattate come uguali o se sarebbero meglio trattate come non uguali. Quindi utilizza la mappa termica di correlazione per determinare se è presente uno schema mentre sposti lo sguardo in diagonale verso il basso e verso sinistra.
Interpretazione:
In questo caso, le varianze per ogni punto temporale (questi sono i valori lungo la diagonale nella matrice di covarianza) vanno da 0,45 a 0,58. Se usiamo la regola empirica che le deviazioni standard devono essere almeno una differenza doppia per richiedere di essere trattate come disuguali, ciò significherebbe che queste varianze devono essere almeno quattro volte diverse. In base a questo standard, possiamo trattare queste varianze come approssimativamente uguali in tutti gli otto punti temporali. Allo stesso modo, guarda gli errori standard per queste variazioni. Se un intervallo di confidenza del 95% per la prima varianza fosse di circa 0,4541 +/- 2 * 0,0773, sarebbe intorno a (0,30, 0,61). Da ciò possiamo avere la sensazione che qualsiasi test della differenza tra due di queste varianze non riuscirà sicuramente a rifiutare l'ipotesi nulla che le varianze siano uguali. Ma tieni presente che tutte queste euristiche sono approssimative e per natura cercano di dimostrare un'ipotesi nulla (cosa che non possiamo fare!). In questo caso sarebbe ragionevole trattare le varianze come uguali, ma potrebbe anche valere la pena di provare ad adattare varianze disuguali e vedere come questo migliora o peggiora l'adattamento (giudicato dalle statistiche di adattamento).
Guardando la mappa termica di correlazione, sembra che le correlazioni siano piuttosto elevate per piccoli ritardi, ma diventano sistematicamente più deboli con l'aumentare dello scarto temporale.Da queste osservazioni potremmo considerare le seguenti opzioni per la struttura ripetuta:
- La simmetria composta probabilmente non si adatterà bene, perché non presuppone alcun cambiamento nella correlazione nel tempo.
- Toeplitz potrebbe adattarsi bene, anche se ignora la relazione di decadimento nel tempo.
- AR (1) (o, equivalentemente, Spatial Power) è un'ottima scelta, se quel decadimento è in una relazione di potere.
- L'antedipendenza è una possibilità, perché è un po 'tra Toeplitz e AR (1). Ma Antedependent introdurrà molti nuovi parametri, che potrebbero non valere un piccolo miglioramento nell'adattamento rispetto a un modello più semplice come AR (1). Possiamo confermarlo guardando le statistiche di fit che penalizzano parametri aggiuntivi (usa AICc o BIC).
Le statistiche di adattamento risultanti di questi quattro modelli candidati (tutti utilizzando l'ipotesi di varianze uguali) e quelli non strutturati sono mostrati qui:
Cerchiamo un modello che abbia valori bassi nelle statistiche di adattamento, rispetto agli altri contendenti. Possiamo vedere che il Toeplitz è il modello che meglio si adatta al Bayesian Information Criterion (BIC) e si sta avvicinando all'adattamento non strutturato al corretto Akaike's Information Criterion (AICc). Per questi motivi, il Toeplitz è una buona scelta da utilizzare per il modello finale. Possiamo ora interpretare i risultati del modello finale che derivano dall'inclusione della struttura delle misure ripetute di Toeplitz.
Riferimenti ai dati
Littell, RC, GA Milliken, WW Stroup, RD Wolfinger e O Schabenberger. 2007. SAS per modelli misti , 2a ed., SAS Institute.
Littell, RC, J Pendergast e R Natarajan. 2000. TUTORIAL IN BIOSTATISTICA: Modellazione della covarianza struttura nell'analisi dei dati delle misure ripetute , Statistica in Medicina 19 , 1793–1819.
Littell, RC, WW Stroup e RJ Freund. 2002. SAS per modelli lineari , 4a ed., SAS Institute.
@raewdy ,
A questo punto, è necessario scaricare e installare il componente aggiuntivo da utilizzare con JMP Pro 16. Funzionalità simili al componente aggiuntivo sono previste per una versione futura.
caro Signore
questo componente aggiuntivo è disponibile come integrato in jmp pro 16?
