このアドインは非構造化反復測定は共分散および相関行列を測定し、それらを（列リストとしてではなく）行列形式で報告します。 アドインは、タイムラグ全体の相関関係のヒートマップも作成します。これらの出力フォームを使用すると、データの相関構造と共分散構造を評価して、適合する候補構造を簡単に選択できます。このアドインは、 @julian 、そしてそれはでのみ利用可能な繰り返し構造に基づいているためJMPプロ、それはのユーザーにのみ役立ちますJMPプロ。
このアドインを使用するには、最初に添付ファイル（拡張子「jmpaddin」）をダウンロードし、ファイルをクリックして開きます。 アドインをインストールするように求められます。 クリックインストールボタン。 これで、元のファイルを削除できます。 アドインは、JMPの「アドイン」メニューに永続的にインストールされます。
次に、反復測定データファイルを開きます。 ここでは添付のデータファイルを使用します積み重ねられた呼吸能力。この例は、の付録2にデータセット5.2「呼吸能力」として表示されます。混合モデル用SAS、第2版（2006）。 もともとはLittell、Pendergast、Natarajan（2000）に登場し、Littell、Stroup、Freund（2002）で使用されました。
で説明されているように混合モデル用のSAS ：製薬会社は、喘息患者の呼吸能力に対する3つの薬の効果を調べました。 治療は、標準薬（A）、試験薬（C）、およびプラセボ（P）でした。 薬はそれぞれ24人の患者にランダムに割り当てられました。 割り当てられた治療が各患者に投与され、FEV1と呼ばれる呼吸能力の標準的な測定値が治療後8時間1時間ごとに測定されました。 FEV1は、薬剤投与直前にも測定されました。
元のデータテーブルは長い形式で、時点ごとに異なる列がありました。 （患者ごとに1行ですが、時点によると、応答は8つの異なる列にありました。）時間の傾向をより簡単に分析するには、最初にデータのスタックバージョンを作成すると便利です。 、各患者には8行があり、応答FEV1は1列になっています。列を作成することも役立ちます時間の連続測定を必要とするAR（1）、空間、および先行依存のような共分散構造のフィッティングを可能にする「時間としての数」。 最後に、各患者を一意に識別するための列「patient（drug）」を作成すると便利です。 （患者番号は3つの薬剤グループで繰り返されますが、薬剤Cの患者201は薬剤Pの患者201と同じ人物ではありません。）
[分析]> [モデルの適合]を使用してモデルを定義します。 変更人「変量効果」と「反復構造」を含む「モデル効果の構築」のタブを表示するには、「混合モデル」に移動します。
Y変数として「FEV1」を入力します。 固定効果として「drug」、「hour」、「drug * hour」を入力します。 （ベースラインのFEV1測定値で各被験者を調整する場合は、ここに「basefev1」を入力することもできます。）ランダム効果を入力する必要はありません。 繰り返し構造の場合、「非構造化」を選択し、繰り返しとして「時間」を入力し、件名として「患者（薬剤）」を入力します。
出力から報告された分散/共分散行列は次のとおりです。
アドインの使用：
次に、「反復測定Cov / CorrDiagnostics」アドインをクリックします。あなたの下でこれのためのボタンを使用してアドインJMPメニューバーのタブ。複数のモデルレポートを開いている場合は、このアドインを使用するレポートを選択するように求められます。
アドインは、レポートの下部に追加の出力を生成します。 下にスクロールして、相関行列と共分散行列（これらの分散と共分散の推定値の標準誤差を報告する共分散行列のバージョンを含む）と相関ヒートマップを見つけます。
ヒートマップのデフォルトの色のグラデーションがあまり有益でない場合は、赤から青のカラースケールを右クリックして、[グラデーション]を選択します。
「カラーテーマ」をクリックして、何かを選択します。 ntial（たとえば、正の相関しかない場合）。 必要に応じて明度の範囲を調整します。 「範囲タイプ」を「正確なデータ範囲」に変更して、特定の範囲の高い相関と低い相関をより適切に区別します。
これで、非構造化共分散行列の対角線の値を使用して、分散を等しいものとして扱うことができるか、等しくないものとして扱う方がよいかを判断できます。 次に、相関ヒートマップを使用して、視線を斜め下および左に移動したときにパターンがあるかどうかを判断します。
解釈：
この場合、各時点の分散（これらは共分散行列の対角線を横切る値です）の範囲は0.45から0.58です。 標準偏差が等しくないものとして扱われる必要があるという経験則を使用する場合、これらの分散は少なくとも4倍異なる必要があることを意味します。 その基準により、これらの分散を8つの時点すべてでほぼ等しいものとして扱うことができます。 同様に、これらの分散の標準誤差を見てください。 最初の分散の95％信頼区間が約0.4541 +/- 2 * 0.0773である場合、それは約（0.30、0.61）になります。 このことから、これら2つの分散の差を検定しても、分散が等しいという帰無仮説を確実に棄却できないことがわかります。 ただし、これらのヒューリスティックはすべて概算であり、本質的に帰無仮説を証明しようとしていることに注意してください（これはできません！）。 この場合、分散を等しいものとして扱うことは合理的ですが、等しくない分散をフィッティングしてみて、それがどのようにフィットを改善または悪化させるかを確認することも価値があるかもしれません（フィット統計によって判断されます）。
相関ヒートマップを見ると、小さなタイムラグでは相関がかなり高いように見えますが、タイムラグが大きくなるにつれて相関は体系的に弱くなります。これらの観察から、繰り返される構造に対して次のオプションを検討することができます。
- 複合対称性は、タイムラグによる相関の変化がないと想定しているため、おそらくうまく適合しません。
- テプリッツは、タイムラグの減衰関係を無視しますが、うまく適合する可能性があります。
- AR（1） （または、同等に、空間パワー）その崩壊が力の関係にある場合、それは素晴らしい選択です。
- これは、テプリッツとAR（1）の間にあるため、可能性があります。 ただし、Antedependentは多くの新しいパラメーターを導入します。これは、AR（1）のような単純なモデルよりも適合度を少し改善する価値がない可能性があります。 これは、追加のパラメーターにペナルティを課す適合統計を調べることで確認できます（AICcまたはBICを使用）。
これらの4つの候補モデル（すべて等分散の仮定を使用）と非構造化の結果の適合統計を以下に示します。
他の候補と比較して、適合統計の値が低いモデルを探しています。 テプリッツはベイズ情報量基準（BIC）に最適なモデルであり、修正された赤池情報量基準（AICc）の非構造化適合に近づいていることがわかります。 これらの理由から、テプリッツは最終モデルに使用するのに適しています。 これで、テプリッツ反復測定構造を含めることで得られる最終モデルの結果を解釈できます。
データ参照
Littell、RC、GA Milliken、WW Stroup、RD Wolfinger、およびOSchabenberger。 2007年。 混合モデル用のSAS 、第2版、SASInstitute。
Littell、RC、J Pendergast、およびRNatarajan。 2000年。 生物統計学のチュートリアル：共分散のモデリング反復測定データの分析における構造、医学の統計19 、1793〜1819。
Littell、RC、WW Stroup、およびRJFreund。 2002年。 線形モデル用のSAS 、第4版、SASInstitute。
@raewdy 、
この時点で、JMP Pro 16 で使用するアドインをダウンロードしてインストールする必要があります。 アドインと同様の機能は、将来のバージョンで計画されています。
拝啓
このアドインは、jmp pro16のbult-inとして利用できますか？
