回复：具有重複測量設計的多元數據對於您的特定情況，我不是 SME，但總的來說，首先評估處理範圍內的變化（通過您的重複測量進行量化）。 這可能包括以圖形方式評估重複和評估治療中的一致性。 一旦評估了處理內變異，您就可以決定如何枚舉那些重複的測量值（例如，您想要使用哪些統計數據來總結處理內數據）。 這可能是集中趨勢的某種度量和方差的某種度量。 沒有一種“正確”的方法可以做到這一點。 您關於使用百分比變化的想法當然值得一試。 然後你分析這些匯總統計數據來模擬治療效果。 JMP 的美妙之處在於它可以讓您非常有效地嘗試多種方法。
回复：具有重複測量設計的多元數據你好@abmayfield ,
我可能有另一個建議。
如果您的分析物響應是隨時間測量的連續值，Functional Data Explorer 是否有助於從曲線/時間演化中提取變化，以及同一主題 (ID) 重複測量的可能變化？
有一個主題涉及曲線數據的測量系統分析，在這種情況下可能會有所幫助：
使用功能隨機效應模型對曲線數據進行測量系統分析 (2023-EU-30MP-1316)
希望這個回復對你有幫助
回复：具有重複測量設計的多元數據謝謝你的想法。 我認為它最終可能比我想像的要簡單，因為我有一種感覺，它將是存在-不存在的數據：這個人是否發生了突變，如果是的話，哪些蛋白質在突變期間的濃度發生了變化出現了？ 我認為這是他們的問題（在我的專業領域之外）。 換句話說，它甚至可能不需要作為典型的重複測量對話輸入到 JMP 中。
回复：具有重複測量設計的多元數據謝謝，關於使用 FDE，這是一個很酷的想法：生物標誌物是否應該是“平線”趨勢（即沒有變化）、雙曲線趨勢（上升然後回落），甚至是平台（上升）並熬夜）？ 最終，這可能是進行該臨床試驗的醫生想要知道的。 我還懷疑我從未使用過的 JMP Clinical LIKELY 有解決這類複雜問題的工具，因此我也可以探索這條途徑。
回复：具有重複測量設計的多元數據你好@abmayfield ,
如果隨著時間的推移尋找模式，JMP Clinical 不會提供任何額外的功能，除了它包含 FDE 等 JMP Pro 功能（至少在 JMP Clinical 17 中是這樣）。
我認為這就像色譜數據（隨時間洗脫的蛋白質量），每個分析（蛋白質）都有一組概況（患者）。 由於涉及治療比較，這可能會變成所謂的 FDE-DOE。
也許一些有用的鏈接：
https://community.jmp.com/t5/Discovery-Summit-Munich-2020/Using-FDE-and-DOE-to-Help-Build-Predictive-Models-for-Spectral/ta-p/243861
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/example-of-functional-doe-analysis.shtml
在這種情況下，DOE 實際上只是處理與未處理的單一因素。
回复：具有重複測量設計的多元數據我也喜歡 FDE 方法，但作為第一步，您可能會考慮旋轉數據，使每個值每次都是不同的列，並且每個患者一行，然後使用 PCA 或 PLS。使用 FDE，您可以輕鬆/直接地看到每個值隨時間變化的曲線，但您還需要對每個 y 變量執行分析。使用 PLS，曲線將更難解釋，因為它們不會按時間或變量自動排序，但您不需要那麼多參數。
回复：具有重複測量設計的多元數據我實際上可能會將其包含在“願望清單”中，因為我認為所有元素都已經存在：用於多變量分析的 PLS + 用於直接指定重複主題的重複測量的混合模型平台。 我認為這並不像看起來那麼晦澀或深奧，因為我認為在未來，許多製藥公司和臨床研究人員將希望在隨著時間的推移被跟踪的個體（可能會或可能不會例如正在服用藥物）。 然而，我確實認為，錯誤地執行此操作（即忽略設計的重複測量性質）不會產生與假設大量測試對象的正確分析截然不同的結果。 換句話說，如果您給 200 名患者服用一種藥物，給另外 200 名患者服用安慰劑，然後使用 MANOVA 或 PLS 查看基因表達隨時間的變化，即使人們“開始”於不同的地方，您仍然可以發現差異基線基因表達水平。 但是，當然，最好以統計上最穩健的方式進行！
回复：具有重複測量設計的多元數據如果您想堅持採用重複測量的混合模型方法，我想您可以對 mRNA 進行 PCA，保存影響最大的 PC，然後將它們用於響應角色（有點像 PLS 將做的）。 然後像在混合模型或標準最小二乘法中那樣做重複測量教程.
或者將所有 mRNA 作為響應，選擇混合模型，將其設置為基於時間的重複結構，然後將處理放入固定效應（我可能缺少要添加的內容）。 然後使用紅色小三角並為許多響應選擇選項。 您將獲得一張包含所有內容的表格而不是一份報告，這可能會有所幫助，但隨後將需要一些額外的工作來找出受影響最大的 mRNA 以及每個模型項的其他統計數據。
無論如何這是一個想法。 可能是值得的。
回复：具有重複測量設計的多元數據嗨，安德森，
當你說 ” 3,000 個分析物”，這意味著您/他們有 3000 個 Y 變量有興趣同時分析，因為它們之間可能存在相關性（因為它們是在同一主題上測量的），對嗎？
混合模型當然具有擬合重複測量結構（即 AR(1)、ANTE）的能力，以模擬單個 Y ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-repeated-measures.shtml#ww1279888 ). 它還具有擬合多個相關響應的 Y 的能力（ https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-correlated-response.shtml# ). 但是JMP中沒有辦法指定多個協方差結構來結合兩者。
在 SAS 中擬合這樣一個混合模型是可能的，但我認為它可能會要求太多的數據以這種方式對多個相關源進行建模（並希望有任何能力來檢測你的治療差異'重新感興趣！）。 在添加治療參數之前，您將在 3000 Y 加上任何重複測量參數之間有 4,501,500 個方差和協方差要估計！
另一個可能的平台可能是 SEM，因為它在指定相關結構方面非常靈活。@勞拉CS也許能比我更有效地說明這一點。 我知道它可能會遇到與混合模型相同的數據不足問題。
我個人從未聽說過在 PLS 模型中包含重複測量結構，但我通常對 PLS 不太熟悉。 多元方差分析在數學上等同於混合模型相關響應，所以我們在同一個地方。
將響應簡化為從頭到尾的增量可能會得出類似的決定，並使用更簡單的模型稍後嘗試解釋！ 當然，假設響應在中間沒有變化，然後在最後返回到基線。 我也喜歡 FDE 的想法，如果它們是連續的響應，儘管我認為這不會捕獲響應的可能相關性。
-伊麗莎白
回复：具有重複測量設計的多元數據嗨安德森，
我有同樣的問題@eclaassen提出有關數據的精確結構。 然而，混合模型或 SEM 聽起來確實適合此分析（事實上，PLS + 具有重複結構的混合模型有點像 SEM）。
這是一個發現演示文稿，解釋瞭如何在 SEM 中模擬軌跡：
https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754
視頻中的有用時間：
1 分 33 秒 -- 為什麼 SEM 可以幫助進行重複測量分析
3分40秒——縱向數據使用SEM的要求（但請注意，版本18將對非正態連續數據進行穩健推理）
11 分 23 秒 -- 使用具有重複測量數據的 SEM 示例
作為@ih指出，您的數據將需要採用“寬格式”，每行一個人，每個重複測量一列。 SEM 允許一個人將所有個體都具有平坦軌跡（僅截距潛在增長曲線）的模型與具有線性、二次或其他非線性（潛在基礎）增長的模型進行比較。
因為您有兩組（安慰劑組和藥物組），所以您可以使用 SEM 中的多組分析來比較各組的軌跡。 在這類事情的臨床試驗中使用 SEM 是很常見的（這是一個來自快速谷歌搜索的例子）。 我們的文檔有一個例子，比較了男女學生隨時間的軌跡（有 4 次重複測量）：
https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033
衛生部,
~勞拉
回复：具有重複測量設計的多元數據哇！ 非常感謝大家。 這確實是所謂的縱向研究。 不過，我開始查看數據，樣本量似乎需要比 Y 的數量高 4 或 5 倍，否則你就沒有通過“樣本量測試”。 在這些“組學”研究中，Y（分子）幾乎總是比受試者多得多。 例如，我有一個數據集，其中包含在 16 個個體中的每個個體中測量的 71 種蛋白質（8 次/治療 x 2 次治療）。 這種設計將“不符合”樣本量規則。 這是否意味著您只能在實驗對像多於分析物時使用 SEM？ 如果是這樣，那麼它可能不是我想要做的事情的最佳平台（逐個分子地分析 3,000 種蛋白質會花費太長時間！）。
回复：具有重複測量設計的多元數據啊! 是的，這是一個重要的警告...... 如果數據中的列數多於行數，SEM 將不起作用。 SEM 中所需的樣本量取決於模型估計的參數數量；你想要比參數更多的行。
在樣本量方面，混合模型比 SEM 更寬容，但有 16 行和 71 列，我認為這也不是解決方案。 基於此，我認為 FDE 會提供您所需要的。 檢查鏈接@Chris_Kirchberg為 FDE-DOE 共享應該有所幫助。
最好的，
~勞拉
回复：具有重複測量設計的多元數據我正要回來回答這個問題，但你搶先了我。 （昨天回復之前沒看到這個回复，所以我懷疑我們是不是同時打字的， @Chris_Kirchberg ！）
這是一個很好的選擇，因為您隨後可以繪製/排序測試 p 值以查看哪些是顯著的，等等。通過 JMP 的交互性，您可以在圖上進行選擇，它會在數據表中選擇以子集化“重要”那些。 這就是我見過的大多數具有更複雜隨機效應結構的“組學”類型分析的方式。 是的，它忽略了 Y 之間的相關性，但它使分析變得可行，否則就很棘手。
回复：具有重複測量設計的多元數據我認為克里斯的想法是個好主意，因為實際上，人們想知道的是藥物（或任何治療）是否：
A）隨著時間的推移對普通人沒有影響
B）引起持續的影響（無論是減少還是增加）
C) 引起雙曲線效應（導致分析物濃度下降然後返回基線或上升並返回基線）
因此，通過在混合模型中逐個分子地進行操作，我可以適應重複測量的性質，而且，儘管生成的輸出會很大，但進行一些表排序然後按各種子集進行子集化應該不難影響，例如，識別那些沒有影響的蛋白質，那些隨著時間的推移而增加的蛋白質，以及那些具有“反彈”（雙曲線）反應的蛋白質。
感謝大家的團隊努力，我稍後會報告這是如何工作的（我代表其他人詢問，否則我可以立即嘗試。）。
回复：具有重複測量設計的多元數據另一種方法是使用隨機截距/隨機斜率模型。如果受試者結果與時間的關係曲線可以用線性回歸模型來描述，那麼混合模型平台可以為每個受試者擬合一個具有隨機斜率和/或隨機截距的模型。此腳本創建示例表並保存腳本以運行此類分析。
Names Default To Here( 1 );
dt = New Table( "Example" );
dt << New Column( "Y" );
dt << New Column( "subject", Nominal, Numeric );
dt << New Column( "time" );
ys = [];
t = [];
subjects = [];
times = [0, 1, 2, 3, 6, 9, 12];
ntimes = N Rows( times );
For( subject = 1, subject <= 1000, subject++,
mu = Random Normal( 0, 1 );
slope = Random Normal( 1, .5 );
y_subject = J( ntimes, 1, mu ) + slope * times + J( ntimes, 1, Random Normal( 0, 0.5 ) );
ys = ys |/ y_subject;
t = t |/ times;
subjects = subjects |/ J( ntimes, 1, subject );
);
dt:y << set values( ys );
dt:time << set values( t );
dt:subject << set values( subjects );
dt << Add Properties to Table(
{New Script(
"Y vs. time",
Graph Builder(
Size( 528, 454 ),
Show Control Panel( 0 ),
Variables( X( :time ), Y( :Y ), Overlay( :subject ) ),
Elements( Points( X, Y, Legend( 13 ) ), Line Of Fit( X, Y, Legend( 15 ) ) )
)
)}
);
dt << Add Properties to Table(
{New Script(
"Fit Mixed",
Fit Model(
Y( :Y ),
Effects,
Random Effects( Intercept[:subject], :time[:subject] & Random Coefficients( 1 ) ),
NoBounds( 1 ),
Personality( "Mixed Model" ),
Run(
Repeated Effects Covariance Parameter Estimates( 0 ),
Residual Plots( 1 ),
Conditional Residual Plots( 1 ),
Covariance of Covariance Parameters( 1 ),
Conditional Profiler(
1,
Confidence Intervals( 1 ),
Term Value(
"Conditional",
subject( 9, Lock( 0 ), Show( 1 ) ),
time( 4.714, Lock( 0 ), Show( 1 ) )
)
),
Linear Combination of Variance Components( [1 0 1], Label( "asdfsad" ) )
),
SendToReport(
Dispatch( {}, "Random Coefficients", OutlineBox, {Close( 0 )} ),
Dispatch(
{"Linear Combination of Variance Components"},
" ",
TextEditBox,
{Set Text( "asdfsad" )}
)
)
)
)}
);回复：具有重複測量設計的多元數據非常感謝。 我一定會試試這個，也是。
僅供參考（對於閱讀本文的任何人，尤其是那些做出回應的人），我現在已經嘗試過@Chris_Kirchberg的建議：我在混合模型平台中將約 35,000 種蛋白質作為 Y，然後將其設置為重複測量方差分析：治療、時間（天）和治療 x 天，並定義重複主題（作為獨特的樣本 ID）和重複事件是“天”（不等方差個性）。 在我配備 64 GB 內存的 Macbook Pro（JMP Pro 18 測試版）上，這只需要 2-3 分鐘即可運行。 我現在有一系列表格，其中一個表格包含全部約 114,000 個比較（治療、時間、治療 x 時間 x 35,000 種蛋白質），我可以按 FDR p 值對其進行排序。 我現在唯一的問題是：假設我使用 FDR p 值（以避免因進行如此多的比較而導致 I 類錯誤），我是否放棄了不檢查其他輸出數據的採空區？ 重複結構應該包含協方差估計。 也許我可以測試其他 RM 性格類型，看看 BIC 是否下降？
我認為查看分佈和方差同質性可能會超出 35,000 個分析物的範圍，但我想我可以按不需要轉換的分析物、需要平方根轉換的分析物等進行子集化，以嘗試提高擬合度.
具有重複測量設計的多變量數據很抱歉向社區外包了比 JMP 問題更多的統計數據，但這裡有：最近有人問我 JMP Pro 是否可以分析一個設計，其中隨著時間的推移在同一個體中測量 3,000 種分析物（一組可能接受一種藥物，另一種服用安慰劑）。 大量的分析物不是問題，但事實上這是一個重複測量設計，據我所知，擬合模型下的多變量選項無法處理重複測量設計（如果只有一個 Y 就沒問題). 如果我在 MANOVA 或偏最小二乘法下將“時間”放入模型中，那將不適應重複測量的性質。 我假設無法在 JMP Pro 中執行我想要的最佳統計檢驗是否正確？ 也許相反，我可以查看每個人的“每種分析物濃度的百分比變化”，從而從模型中刪除時間，但我對其他選擇持開放態度！
高級統計建模基礎數據分析與建模實驗設計蘋果系統
