diagramme de corrélation avec le score de gravité motrice Y à l'aide d'un générateur de graphe en ajustant le biomarqueur A en fonction de l'âge et du sexeNous aimerions clarifier s'il existe une relation linéaire entre le biomarqueur X (DATQUANT) et le score de sévérité motrice Y (score total MDS-UPDRS 3) chez les patients atteints d'un trouble neurologique. Dans une corrélation simple, biomarkerX est associée au score de sévérité motrice Y. L'âge et le sexe biologique influençant le biomarqueur X, nous les avons considérés comme des covariables.
A cette époque, je pense créer un diagramme de corrélation avec le score de gravité motrice Y à l'aide d'un générateur de graphique en ajustant le biomarqueur A en fonction de l'âge et du sexe.
Nous vous serions très reconnaissants si vous pouviez nous indiquer comment obtenir un nuage de points du biomarqueur X ajusté en fonction de l'âge et du sexe en fonction du score de gravité motrice Y à l'aide de JMP.
GraphiquemacOSScriptRe : diagramme de corrélation avec le score de sévérité motrice Y à l'aide d'un générateur de graphe en ajustant le biomarqueur A en fonction de l'âge et du sexeje viens de prendre un rapide regardez les données fournies et certaines de vos questions. Voici ce que je vois dans les données et quelques questions :
1. Je n'ai aucun contexte pour les données. Quelle est l'importance pratique d'un changement dans le DAT ou le MDS ?
2. Concernant la corrélation entre MDS et DAT, il n'y a pas de corrélation forte (r=-0,32) et il existe un certain nombre de valeurs aberrantes potentielles (Mahalanobis, 7). Cela ne tient pas compte des effets âge/sexe.
3. En examinant les relations entre le DAT et l'âge et le sexe, il apparaît que le sexe n'a pratiquement aucune relation (modèle d'ajustement). L'âge est statistiquement significatif. Ces deux termes ne représentent qu'environ 20% de la variation des données. À mesure que l'âge augmente, le DAT diminue.
4. Il semble y avoir une relation linéaire entre le DAT et le MDS, mais dans ce modèle, l'âge et le sexe sont insignifiants. Le modèle contenant les trois termes représente environ 8 % de la variation des données.
Quelle confiance avez-vous dans les systèmes de mesure ?
Re : diagramme de corrélation avec le score de sévérité motrice Y à l'aide d'un générateur de graphe en ajustant le biomarqueur A en fonction de l'âge et du sexesalut @KF2 ,
Une possibilité consiste à régresser le biomarqueur X en fonction de l'âge et du sexe, d'enregistrer les résidus, puis de les tracer en fonction du score de gravité motrice Y dans le générateur de graphiques sous forme de nuage de points simple. Voici à quoi cela ressemble avec les données que vous avez fournies,
Une autre possibilité, pour traiter l'âge et le sexe comme des covariables, consiste à effectuer une régression hiérarchique. En d'autres termes, vous pouvez ajuster un modèle de régression où l'âge et le sexe prédisent votre résultat, puis ajuster un autre modèle de régression où l'âge, le sexe et le biomarqueur X prédisent votre résultat. Vous obtiendrez le R-carré pour chacun de ces modèles (il s'avère qu'il est de 0,002 et de 0,11, respectivement). Vous pouvez alors regarder les « tests séquentiels » (ou la somme des carrés de type I) des effets pour obtenir un test de l'évolution de la variance expliquée d'un modèle à l'autre. Dans ce cas, le changement est statistiquement significatif avec une valeur F de 11,23, p = 0,001.
J'ai enregistré les scripts de chacune de ces étapes dans le tableau de données ci-joint.
HTH,
~ Laura
Re : diagramme de corrélation avec le score de gravité motrice Y à l'aide d'un générateur de graphe en ajustant le biomarqueur A en fonction de l'âge et du sexeMerci pour votre réponse.
Nous souhaitons préciser s'il existe une relation linéaire entre le biomarqueur X (DATQUANT : variable dépendante) et le score de sévérité motrice Y (MDS-UPDRS-3 : variable explicative). Puisque l'âge et le sexe biologique influencent le biomarqueur X, nous les avons considérés comme des covariables. Nous souhaitons effectuer une régression multiple.
[X (DATQUANT : variable dépendante)] = a1*Y (MDS-UPDRS-3 : variable explicative) + a2*[âge] + a3 + résidus
a1, a2 : coefficients de pente pour chaque variable explicative
a3 : terme constant pour le sexe biologique
Nous aimerions maintenant visualiser la relation entre [corrigé selon l'âge et le sexe (DATQUANT : variable dépendante)] et Y (MDS-UPDRS-3 : variable explicative)
Nous aimerions donc préparer un nuage de points
X ajusté (a1*[X(DATQUANT : variable continue)] - a2*[âge] - a3) vs. Y (MDS-UPDRS-3 : variable dépendante)
Nous vous serions très reconnaissants si vous pouviez nous faire part de vos commentaires et suggestions.
Merci d'avance.
