このアドインは、構造化されていない繰り返しは、共分散行列と相関行列を測定し、(列リストとしてではなく) 行列形式でレポートします。 このアドインは、時間差にわたる相関関係のヒートマップも生成します。これらの出力形式により、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選択することが容易になります。このアドインは以下の協力を得て作成されました。 @ジュリアン、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構築されているため、 JMPプロのユーザーのみに役立ちます。 JMPプロ。
このアドインを使用するには、まず添付ファイル (拡張子「jmpaddin」) をダウンロードし、その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、繰り返し測定データ ファイルを開きます。 ここでは添付されたデータファイルを使用します呼吸能力の積み重ね。この例は、付録 2 のデータ 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年）。 これはもともと Littell、Pendergast、および Natarajan (2000) で登場し、Littell、Stroup、および 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 つの薬剤の影響を調査しました。 治療は標準薬 (A)、試験薬 (C)、およびプラセボ (P) でした。 薬剤はそれぞれ 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施され、治療後 8 時間にわたり、FEV1 と呼ばれる呼吸能力の標準測定値が 1 時間ごとに測定されました。 FEV1 も薬物投与の直前に測定しました。
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、応答は時点に応じて 8 つの異なる列にありました。)時間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。ここで、各患者には 8 行があり、応答 FEV1 は 1 列になります。コラムを作成するのも便利です「数値としての時間」により、時間の連続測定を必要とする AR(1)、空間、およびアンテ依存などの共分散構造のフィッティングが可能になります。 最後に、各患者を一意に識別するために「患者(薬剤)」列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 と同一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。 変更人格「混合モデル」に移動すると、「ランダム効果」と「繰り返し構造」を含む「モデル効果の構築」のタブが表示されます。
Y 変数として「FEV1」を入力します。 固定効果として「drug」、「hour」、および「drug*hour」を入力します。 (各被験者のベースライン FEV1 測定値によって調整したい場合は、ここに「basefev1」と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。 繰り返し構造については、「非構造化」を選択し、繰り返しとして「時間」、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、「Repeated Measurement Cov/Corr Diagnostics」アドインをクリックします。あなたの下のこのボタンを使用してくださいアドイン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。
ヒートマップ上のデフォルトのカラー グラデーションがあまり参考にならない場合は、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、正の相関のみがある場合)。 必要に応じて、明度の範囲を調整します。 特定の範囲の高い相関と低い相関をより適切に区別するには、「範囲タイプ」を「正確なデータ範囲」に変更します。
これで、非構造化共分散行列の対角の値を使用して、分散を等しいものとして扱うことができるか、それとも不等として扱った方がよいかを判断できるようになりました。 次に、相関ヒートマップを使用して、視線を斜め下左に動か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の値です) の範囲は 0.45 ～ 0.58 です。 不平等として扱われるためには標準偏差が少なくとも 2 倍の差である必要があるという経験則を使用すると、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。 この基準によれば、これらの分散は 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、これらの分散のうち 2 つの差異を検定しても、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近似的なものであり、本質的に帰無仮説 (私たちには証明できません) を証明しようとしていることに留意してください。 この場合、分散を等しいものとして扱うのが合理的ですが、不等分散を近似してみて、それがどのように近似を改善または悪化させるかを確認することも時間をかけて行う価値があるかもしれません（近似統計によって判断されます）。
相関ヒートマップを見ると、タイム ラグが小さい場合は相関がかなり高いように見えますが、タイム ラグが増加するにつれて相関は系統的に弱くなっています。これらの観察から、繰り返し構造については次のオプションを検討できます。
- Compound Symmetry は時間差による相関の変化がないと仮定しているため、おそらくうまく適合しません。
- テプリッツは適切に適合する可能性がありますが、タイムラグによる減衰の関係は無視されます。
- AR(1) (または同等に、空間パワー)その衰退が力関係にある場合には、これは素晴らしい選択です。
- アンテ依存性はテプリッツと AR(1) の間にあるため、可能性があります。 しかし、Antedependent では多くの新しいパラメーターが導入されるため、AR(1) のような単純なモデルに比べて適合性がわずかに向上する価値はないかもしれません。 これは、追加パラメータにペナルティを与える適合統計を確認することで確認できます (AICc または BIC を使用)。
これら 4 つの候補モデル (すべて等分散仮定を使用) と非構造化モデルの結果として得られる適合統計を次に示します。
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) に最もよく適合するモデルであり、修正された赤池情報量基準 (AICc) では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た選択肢です。 これで、テプリッツの反復測定構造を含めることによって得られる最終的なモデルの結果を解釈できるようになりました。
データ参照
リッテル、RC、GA ミリケン、WW ストループ、RD ヴォルフィンガー、O シャベンベルガー。 2007年。 混合モデル用の SAS 、第 2 版、SAS Institute。
リテル、RC、J ペンダーガスト、R ナタラジャン。 2000年。 生物統計学のチュートリアル: 共分散のモデリング繰り返し測定データの分析における構造、医学における統計学19 、1793–1819。
リッテル、RC、WW ストループ、RJ フロイント。 2002年。 線形モデル用の SAS 、第 4 版、SAS Institute。
@Raaed 、
現時点では、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が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 pro 16 の組み込みとして利用できますか?
