Korrelationsdiagramm mit dem motorischen Schweregrad Y unter Verwendung eines Graph Builder durch Anpassen des Biomarkers A nach Alter und GeschlechtWir möchten klären, ob bei Patienten mit einer neurologischen Erkrankung ein linearer Zusammenhang zwischen dem Biomarker X(DATQUANT) und dem motorischen Schweregrad Y (MDS-UPDRS 3 Gesamtscore) besteht. In einer einfachen Korrelation, biomarkerX ist mit dem motorischen Schweregrad Y assoziiert. Da Alter und biologisches Geschlecht den Biomarker X beeinflussen, betrachteten wir sie als Kovariaten.
Zu diesem Zeitpunkt denke ich darüber nach, ein Korrelationsdiagramm mit dem motorischen Schweregrad Y mit einem Graph Builder zu erstellen, indem ich den Biomarker A nach Alter und Geschlecht anpasse.
Wir würden uns sehr freuen, wenn Sie uns mitteilen könnten, wie wir mithilfe von JMP ein Streudiagramm des alters- und geschlechtsangepassten Biomarkers X im Vergleich zum motorischen Schweregrad Y erhalten.
GrafikMac OSSkripterstellungBetreff: Korrelationsdiagramm mit dem motorischen Schweregrad Y unter Verwendung eines Graph Builders durch Anpassen des Biomarkers A nach Alter und GeschlechtDanke für Ihre Antwort.
Wir möchten klären, ob ein linearer Zusammenhang zwischen Biomarker X (DATQUANT: abhängige Variable) und motorischem Schweregrad Y (MDS-UPDRS-3: erklärende Variable) besteht. Da Alter und biologisches Geschlecht den Biomarker X beeinflussen, haben wir sie als Kovariaten betrachtet. Wir möchten eine multiple Regression durchführen.
[X (DATQUANT: abhängige Variable)] = a1*Y (MDS-UPDRS-3: erklärende Variable) + a2*[Alter] + a3 + Residuen
a1, a2 : Steigungskoeffizienten für jede erklärende Variable
a3: konstanter Begriff für biologisches Geschlecht
Nun möchten wir den Zusammenhang zwischen [Alter und Geschlecht adjustiert (DATQUANT: abhängige Variable)] und Y (MDS-UPDRS-3: erklärende Variable) visualisieren.
Wir möchten also ein Scatterplot erstellen
adjustiertes X (a1*[X(DATQUANT: stetige Variable)] - a2*[Alter] - a3) vs. Y (MDS-UPDRS-3: abhängige Variable)
Wir würden uns sehr freuen, wenn Sie uns Kommentare und Anregungen geben könnten.
Vielen Dank im Voraus.
Betreff: Korrelationsdiagramm mit dem motorischen Schweregrad Y unter Verwendung eines Graph Builders durch Anpassen des Biomarkers A nach Alter und GeschlechtHi @KF2 ,
Eine Möglichkeit besteht darin, den Biomarker X auf Alter und Geschlecht zu regressieren, die Residuen zu speichern und sie dann im Graph Builder als einfaches Streudiagramm gegen den motorischen Schweregrad-Score Y darzustellen. So sieht das mit den von Ihnen angegebenen Daten aus,
Eine andere Möglichkeit, Alter und Geschlecht als Kovariaten zu behandeln, besteht darin, eine hierarchische Regression durchzuführen. Mit anderen Worten, Sie können ein Regressionsmodell anpassen, bei dem Alter und Geschlecht Ihr Ergebnis vorhersagen, und dann ein anderes Regressionsmodell anpassen, bei dem Alter, Geschlecht und Biomarker X Ihr Ergebnis vorhersagen. Sie erhalten das R-Quadrat für jedes dieser Modelle (es stellt sich heraus, dass es 0,002 bzw. 0,11 ist). Sie können sich dann die „sequentiellen Tests“ (oder Typ-I-Quadratsummen) der Effekte ansehen, um einen Test für die Änderung der erklärten Varianz von einem Modell zum nächsten zu erhalten. In diesem Fall ist die Veränderung mit einem F-Wert von 11,23, p = 0,001 statistisch signifikant.
Ich habe die Skripte für jeden dieser Schritte in der beigefügten Datentabelle gespeichert.
HTH,
~ Laura
Betreff: Korrelationsdiagramm mit dem motorischen Schweregrad Y unter Verwendung eines Graph Builders durch Anpassen des Biomarkers A nach Alter und GeschlechtIch habe gerade eine genommen schnell Sehen Sie sich die bereitgestellten Daten und einige Ihrer Fragen an. Hier ist, was ich in den Daten sehe und einige Fragen:
1. Ich habe keinen Kontext für die Daten. Wie viel von einer Änderung in DAT oder MDS ist von praktischer Bedeutung?
2. In Bezug auf die Korrelation zwischen MDS und DAT gibt es keine starke Korrelation (r = -0,32) und es gibt eine Reihe potenzieller Ausreißer (Mahalanobis, 7). Dies berücksichtigt nicht die Alters-/Geschlechtseffekte.
3. Wenn man sich die Beziehungen zwischen DAT und Alter und Geschlecht ansieht, scheint es, dass das Geschlecht fast keine Beziehung hat (Fit-Modell). Das Alter ist statistisch signifikant. Diese beiden Begriffe machen nur etwa 20 % der Variation in den Daten aus. Mit zunehmendem Alter nimmt DAT ab.
4. Es scheint eine lineare Beziehung zwischen DAT und MDS zu geben, aber in diesem Modell sind Alter und Geschlecht unbedeutend. Das Modell, das alle drei Terme enthält, macht etwa 8 % der Streuung in den Daten aus.
Wie überzeugt sind Sie von den Messsystemen?
