Re: Multivariate Daten mit MesswiederholungsdesignIch bin kein KMU für Ihre spezielle Situation, aber bewerten Sie im Allgemeinen zuerst die Abweichung innerhalb der Behandlung (wie durch Ihre wiederholten Messungen quantifiziert). Dies kann die grafische Auswertung der Wiederholungen und die Beurteilung der Konsistenz innerhalb der Behandlung umfassen. Nachdem Sie die Variation innerhalb der Behandlung ausgewertet haben, können Sie entscheiden, wie Sie diese wiederholten Messungen aufzählen (z. B. welche Statistiken Sie verwenden möchten, um die Daten innerhalb der Behandlung zusammenzufassen). Dies könnte ein Maß für die zentrale Tendenz und ein Maß für die Varianz sein. Es gibt keinen "richtigen" Weg, dies zu tun. Ihr Gedanke zur Verwendung der prozentualen Änderung wäre sicherlich einen Versuch wert. Anschließend analysieren Sie diese zusammenfassenden Statistiken, um die Behandlungseffekte zu modellieren. Das Schöne an JMP ist, dass Sie mehrere Methoden sehr effizient ausprobieren können.
Re: Multivariate Daten mit MesswiederholungsdesignHallo @abmayfield ,
Vielleicht habe ich noch einen Vorschlag.
Wenn Ihre Analytreaktion(en) kontinuierliche Werte sind, die über die Zeit gemessen werden, könnte der Funktionsdaten-Explorer hilfreich sein, um die Variation aus den Kurven/der zeitlichen Entwicklung zu extrahieren, mit möglicher Abweichung von wiederholten Messungen für dasselbe Subjekt (ID)?
Es gab ein Thema zur Messsystemanalyse für Kurvendaten, das in diesem Zusammenhang hilfreich sein kann:
Analyse von Messsystemen für Kurvendaten unter Verwendung von Modellen für funktionelle Zufallseffekte (2023-EU-30MP-1316)
Ich hoffe, diese Antwort hilft Ihnen,
Re: Multivariate Daten mit MesswiederholungsdesignDanke für deine Gedanken. Ich denke, es könnte am Ende einfacher sein, als ich denke, weil ich das Gefühl habe, dass es sich um Anwesenheits-/Abwesenheitsdaten handelt: Hat die Person eine Mutation entwickelt, und wenn ja, welche Proteine sich in der Zeit, in der die Mutation aufgetreten ist, in ihrer Konzentration verändert haben aufgetaucht? Ich denke, das ist ihre Frage (außerhalb meines Fachgebiets). Mit anderen Worten, es muss möglicherweise nicht einmal als typischer Messwiederholungsdialog in JMP eingegeben werden.
Re: Multivariate Daten mit MesswiederholungsdesignDanke, und das ist eine coole Idee in Bezug auf die Verwendung des FDE: Hat der Biomarker einen "flachen" Trend (dh keine Änderung), einen hyperbolischen (geschossen und wieder nach unten) oder sogar ein Plateau (geschossen) angezeigt? und blieb auf)? Letztendlich möchte der Arzt, der diese klinische Studie durchführt, dies wissen. Ich vermute auch, dass JMP Clinical, das ich noch nie verwendet habe, WAHRSCHEINLICH Werkzeuge hat, um genau diese Art von komplexen Fragen zu beantworten, also werde ich diesen Weg vielleicht auch erkunden.
Re: Multivariate Daten mit MesswiederholungsdesignHallo @abmayfield ,
JMP Clinical hätte nichts weiter zu bieten, wenn man im Laufe der Zeit nach Mustern sucht, außer dass es JMP Pro-Funktionen wie FDE enthält (zumindest in JMP Clinical 17).
Ich denke, das ist wie Chromatographiedaten (Menge an Protein, die im Laufe der Zeit eluiert wird) mit einer Reihe von Profilen (Patienten) für jede Analyse (Protein). Dies könnte zu dem werden, was FDE-DOE genannt wird, da es sich um einen Vergleich der Behandlung handelt.
Vielleicht hilfreiche Links:
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
In diesem Fall ist das DOE wirklich nur ein einzelner Faktor von behandelt vs. unbehandelt.
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenMir gefällt auch der FDE-Ansatz, aber als ersten Schritt könnten Sie erwägen, Ihre Daten so zu schwenken, dass jeder Wert zu jedem Zeitpunkt eine andere Spalte darstellt und es eine Zeile pro Patient gibt, und dann PCA oder PLS zu verwenden.Mit FDE können Sie die Kurve jedes Werts über die Zeit einfach/direkt sehen, aber Sie müssen die Analyse auch für jede y-Variable durchführen.Mit PLS wären die Kurven schwieriger zu interpretieren, da sie nicht automatisch nach Zeit oder Variable geordnet wären, aber Sie würden nicht so viele Parameter benötigen.
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenIch könnte das tatsächlich auf die „Wunschliste“ setzen, weil ich denke, dass alle Elemente bereits vorhanden sind: PLS für multivariate Analyse + Mixed-Model-Plattform für wiederholte Messungen, in denen das wiederholte Thema direkt spezifiziert wird. Ich glaube nicht, dass dies ein so obskurer oder esoterischer Bedarf ist, wie es den Anschein hat, denn ich denke, in Zukunft werden viele Pharmaunternehmen und klinische Forscher immer wieder Profile ganzer Molekülgruppen bei Personen erstellen wollen, die im Laufe der Zeit verfolgt wurden (wer vielleicht oder vielleicht auch nicht). wenn Sie zum Beispiel ein Medikament einnehmen). Ich bin jedoch der Meinung, dass eine falsche Vorgehensweise (dh das Ignorieren der Messwiederholungscharakteristik des Designs) NICHT zu dramatisch anderen Ergebnissen führen würde als die ordnungsgemäße Analyse, wenn man von einer großen Population von Testpersonen ausgeht. Mit anderen Worten: Wenn Sie 200 Patienten ein Medikament und 200 anderen ein Placebo geben und dann mit MANOVA oder PLS die Veränderungen der Genexpression im Laufe der Zeit betrachten würden, könnten Sie immer noch Unterschiede feststellen, selbst wenn die Menschen an unterschiedlichen Orten „angefangen“ hätten Grundniveau der Genexpression. Aber natürlich wäre es vorzuziehen, dies auf die statistisch belastbarste Weise zu tun!
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenWenn Sie beim gemischten Modellansatz mit wiederholten Messungen bleiben möchten, könnten Sie vermutlich eine PCA auf der mRNA durchführen, die PCs mit der größten Auswirkung speichern und diese dann in der Reaktionsrolle verwenden (so ähnlich wie das, was PLS tun wird). Führen Sie dann die wiederholten Messungen durch, wie Sie es bei gemischten Modellen oder Standard-Kleinstquadraten wie hier tun könnten Lernprogramm .
Oder setzen Sie die gesamte mRNA als Reaktion ein, wählen Sie ein gemischtes Modell, richten Sie es so ein, wie man es für eine zeitbasierte, wiederholte Struktur tun würde, und setzen Sie dann die Behandlung auf „Fixed Effects“ (wahrscheinlich fehlt mir etwas, das ich hinzufügen könnte). Verwenden Sie dann das rote Dreieck und wählen Sie Optionen für viele Antworten. Sie erhalten für alles eine Tabelle anstelle eines Berichts, und das könnte hilfreich sein, aber dann wird es etwas zusätzliche Arbeit geben, um herauszufinden, welche mRNA am stärksten betroffen ist, und andere Statistiken für jeden der Modellbegriffe.
Es ist sowieso ein Gedanke. Könnte sich lohnen.
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenHallo Anderson,
Wenn du sagst " 3.000 Analyten“, das heißt, Sie hätten 3.000 Y-Variablen, die Sie/sie aufgrund der möglichen Korrelationen zwischen ihnen gleichzeitig analysieren möchten (da sie am selben Thema gemessen werden), richtig?
Das gemischte Modell verfügt sicherlich über die Fähigkeit, eine Struktur mit wiederholten Messungen (z. B. AR(1), ANTE) anzupassen, um die Korrelationen über Zeitpunkte hinweg für ein einzelnes Y zu modellieren ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-repeated-measures.shtml#ww1279888 ). Es bietet außerdem die Möglichkeit, mehrere Ys anzupassen, bei denen es sich um korrelierte Antworten handelt ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-corlated-response.shtml# ). Es gibt jedoch keine Möglichkeit, in JMP mehrere Kovarianzstrukturen anzugeben, um beide zu kombinieren.
Es könnte möglich sein, ein solches gemischtes Modell in SAS einzupassen, aber ich denke, es würde wahrscheinlich zu viele Daten erfordern, um die verschiedenen Korrelationsquellen auf diese Weise zu modellieren (und ich hoffe, dass ich die Möglichkeit habe, die Behandlungsunterschiede zu erkennen, die Sie benötigen). Ich bin interessiert!). Sie hätten 4.501.500 Varianzen und Kovarianzen zwischen den 3000 Ys plus alle Parameter für wiederholte Messungen, die geschätzt werden müssten, bevor Sie die Behandlungsparameter hinzufügen!
Eine weitere mögliche Plattform könnte SEM sein, da diese sehr flexibel bei der Festlegung von Korrelationsstrukturen ist.@LauraCS Vielleicht kann ich das besser ansprechen als ich. Ich weiß, dass es zu den gleichen Problemen mit unzureichenden Daten kommen kann wie bei gemischten Modellen.
Ich persönlich habe noch nie davon gehört, eine Messwiederholungsstruktur in ein PLS-Modell einzubeziehen, aber ich bin mit PLS im Allgemeinen nicht so vertraut. MANOVA ist mathematisch äquivalent zu den korrelierten Antworten des gemischten Modells, wir sind also hier irgendwie am gleichen Punkt.
Eine Vereinfachung der Antworten auf das Delta vom Anfang bis zum Ende würde wahrscheinlich zu einer ähnlichen Entscheidung mit einem viel einfacheren Modell führen, das später erklärt werden soll! Vorausgesetzt natürlich, die Reaktion ändert sich in der Mitte nicht und kehrt am Ende zum Ausgangswert zurück. Ich mag die FDE-Idee auch, wenn es sich um kontinuierliche Antworten handelt, obwohl ich nicht glaube, dass dadurch die mögliche Korrelation der Antworten erfasst wird.
-Elisabeth
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenHallo Anderson,
Ich habe die gleiche Frage @eclaassen über die genaue Struktur Ihrer Daten informiert. Es hört sich jedoch so an, als wären gemischte Modelle oder SEM die natürliche Lösung für diese Analyse (tatsächlich ähnelt PLS + gemischtes Modell mit wiederholter Struktur in gewisser Weise SEM).
Hier ist eine Entdeckungspräsentation, die erklärt, wie Trajektorien im SEM modelliert werden:
https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754
Hilfreiche Zeiten im Video:
1 Min. 33 Sek. – Warum SEM bei der Analyse wiederholter Messungen helfen kann
3 Min. 40 Sek. – Anforderungen für die Verwendung von SEM mit Längsschnittdaten (beachten Sie jedoch, dass Version 18 robuste Schlussfolgerungen für nicht normale kontinuierliche Daten bietet)
11 Min. 23 Sek. – Beispiel für die Verwendung von SEM mit wiederholt gemessenen Daten
Als @ich h Wie bereits erwähnt, müssen Ihre Daten im „Breitformat“ vorliegen, mit einer Einzelperson pro Zeile und einer Spalte pro wiederholter Messung. SEM ermöglicht es einem Vergleichen Sie ein Modell, bei dem alle Individuen flache Trajektorien haben (intercept-only latente Wachstumskurve), mit einem Modell, bei dem sie lineares, quadratisches oder anderes nichtlineares (latente Basis) Wachstum haben.
Da es sich um zwei Gruppen (Placebo und Medikamente) handelt, können Sie die Verläufe zwischen den Gruppen mithilfe einer Mehrgruppenanalyse im SEM vergleichen. Es ist ziemlich üblich, SEM in klinischen Studien für solche Dinge zu verwenden ( hier ist ein Beispiel aus einer kurzen Google-Suche). In unserer Dokumentation finden Sie ein Beispiel, in dem die Entwicklung männlicher und weiblicher Studierender im Laufe der Zeit verglichen wird (mit 4 wiederholten Messungen):
https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033
HTH,
~Laura
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenWow! Vielen Dank an alle. Dabei handelt es sich tatsächlich um eine sogenannte Längsschnittstudie. Ich habe jedoch angefangen, mir die Daten anzusehen, und es sieht so aus, als müsste die Stichprobengröße vier- oder fünfmal höher sein als die Anzahl der Y-Werte, sonst haben Sie den „Stichprobengrößentest“ nicht bestanden. In diesen Omics-Studien wird es fast immer viel mehr Ys (Moleküle) als Probanden geben. Ich habe zum Beispiel einen Datensatz mit 71 Proteinen, die bei jeder von 16 Personen gemessen wurden (8/Behandlung x 2 Behandlungen). Dieses Design würde die Stichprobengrößenregel „verfehlen“. Bedeutet das, dass Sie SEM nur verwenden könnten, wenn es mehr Versuchspersonen als Analyten gibt? Wenn ja, dann ist es möglicherweise nicht die beste Plattform für das, was ich tun möchte (eine Molekül-für-Molekül-Betrachtung von 3.000 Proteinen würde zu lange dauern!).
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenAh! Ja, das ist ein wichtiger Vorbehalt ... SEM funktioniert nicht, wenn Ihre Daten mehr Spalten als Zeilen enthalten. Die in SEM erforderliche Stichprobengröße hängt von der Anzahl der Parameter ab, die Ihr Modell schätzt. Sie möchten mehr Zeilen als Parameter.
Gemischte Modelle sind hinsichtlich der Stichprobengröße nachsichtiger als SEM, aber mit 16 Zeilen und 71 Spalten glaube ich auch nicht, dass dies die Lösung ist. Auf dieser Grundlage denke ich, dass FDE Ihnen das bieten wird, was Sie brauchen. Schauen Sie sich die Links an, die @Chris_Kirchberg Für FDE-DOE freigegeben sollte helfen.
Am besten,
~Laura
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenIch wollte gerade zurückkommen und damit antworten, aber Sie sind mir zuvorgekommen. (Ich habe diese Antwort nicht gesehen, bevor ich gestern geantwortet habe, daher frage ich mich, ob wir gleichzeitig getippt haben.) @Chris_Kirchberg !)
Dies ist eine großartige Option, da Sie dann die Test-p-Werte grafisch darstellen/sortieren können, um zu sehen, welche signifikant sind usw. Und mit der Interaktivität von JMPs können Sie in den Diagrammen auswählen und es wählt in der Datentabelle aus, um die „wichtigen“ Werte zu unterteilen. Einsen. So habe ich die meisten Omics-Analysen gesehen, die komplexere Zufallseffektstrukturen aufweisen. Ja, es ignoriert die Korrelation zwischen den Ys, aber es macht die Analyse machbar, während sie andernfalls unlösbar wäre.
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenIch denke, Chris' Idee ist gut, denn eigentlich möchte man wissen, ob das Medikament (oder welche Behandlung auch immer):
A) löste im Laufe der Zeit bei der durchschnittlichen Person keine Wirkung aus
eine nachhaltige Wirkung hervorrief (sei es eine Abnahme oder eine Zunahme)
C) löste einen hyperbolischen Effekt aus (führte dazu, dass die Analytkonzentration sank und dann zur Grundlinie zurückkehrte oder anstieg und zur Grundlinie zurückkehrte)
Indem ich es also Molekül für Molekül im gemischten Modell durchführe, kann ich der Natur der wiederholten Messungen Rechnung tragen, und obwohl die resultierende Ausgabe groß sein wird, sollte es nicht schwierig sein, eine Tabellensortierung und dann eine Teilaufteilung nach den verschiedenen vorzunehmen Effekte identifizieren beispielsweise jene Proteine ohne Wirkung, solche mit einem Anstieg im Laufe der Zeit und solche mit einer „Rebound“-Reaktion (hyperbolisch).
Vielen Dank an alle für die Teamleistung und ich werde später darüber berichten, wie das funktioniert hat (ich frage im Namen von jemand anderem, sonst könnte ich es sofort versuchen.).
Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenEin anderer Ansatz wäre die Verwendung eines Random Intercept/Random Slopes-Modells.Wenn die Profile der Probandenergebnisse im Zeitverlauf durch ein lineares Regressionsmodell beschrieben werden können, kann die Mixed-Model-Plattform ein Modell mit zufälligen Steigungen und/oder zufälligen Achsenabschnitten für jedes Subjekt anpassen.Dieses Skript erstellt eine Beispieltabelle und speichert Skripte zum Ausführen dieser Art von Analyse.
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" )}
)
)
)
)}
);Betreff: Multivariate Daten mit einem Design mit wiederholten MessungenVielen Dank. Das werde ich auf jeden Fall auch versuchen.
Zu Ihrer Information (für alle, die dies lesen, insbesondere für diejenigen, die geantwortet haben): Ich habe es jetzt versucht @Chris_Kirchberg Vorschlag von: Ich habe etwa 35.000 Proteine als Y in die Mixed-Model-Plattform eingefügt und sie dann als ANOVA mit wiederholten Messungen eingerichtet: Behandlung, Zeit (Tag) und Behandlung x Tag, wobei ein wiederholtes Subjekt definiert ist (als eindeutig). Proben-ID) und das wiederholte Ereignis ist „Tag“ (ungleiche Varianzen, Persönlichkeit). Auf meinem MacBook Pro mit 64 GB RAM (JMP Pro 18 Beta) dauerte die Ausführung nur 2-3 Minuten. Ich habe jetzt eine Reihe von Tabellen, von denen eine alle ~114.000 Vergleiche (Behandlung, Zeit, Behandlung x Zeit x 35.000 Proteine) enthält, die ich nach FDR-p-Wert sortieren kann. Meine einzige Frage ist jetzt: Angenommen, ich verwende den FDR-p-Wert (um Typ-I-Fehler bei so vielen Vergleichen zu vermeiden), kann ich dann darauf verzichten, die Klumpen anderer Ausgabedaten NICHT auszuchecken? Kovarianzschätzungen hätten durch die wiederholte Struktur berücksichtigt werden müssen. Vielleicht könnte ich andere RM-Persönlichkeitstypen testen und sehen, ob der BIC sinkt?
Ich denke, dass die Betrachtung von Verteilungen und der Homogenität der Varianz bei 35.000 Analyten vielleicht scheitern könnte, ABER ich nehme an, ich könnte eine Untergruppe nach Analyten erstellen, für die keine Transformationen erforderlich sind, Analyten, für die Quadratwurzeltransformationen erforderlich sind usw., um zu versuchen, die Anpassung zu verbessern .
Multivariate Daten mit einem MesswiederholungsdesignEs tut mir leid, dass ich etwas, das eher eine Statistik als eine JMP-Frage ist, an die Community verschenke, aber hier ist es: Kürzlich wurde ich gefragt, ob JMP Pro ein Design analysieren könnte, bei dem 3.000 Analyte bei denselben Individuen im Laufe der Zeit gemessen werden (eine Gruppe erhält vielleicht). ein Medikament und der andere ein Placebo erhalten hat). Die große Anzahl an Analyten ist nicht das Problem, sondern die Tatsache, dass es sich um einen Versuchsplan mit wiederholten Messungen handelt und meines Wissens die multivariaten Optionen unter „Modell anpassen“ nicht mit einem Versuchsplan mit wiederholten Messungen umgehen können (wäre kein Problem, wenn es ein einzelnes Y gäbe). ). Wenn ich „Zeit“ in das Modell unter MANOVA oder partiellen kleinsten Quadraten einbeziehe, wird das der Natur der wiederholten Messungen nicht gerecht. Gehe ich zu Recht, wenn ich annehme, dass der optimale statistische Test, den ich möchte, nicht in JMP Pro durchgeführt werden kann? Vielleicht könnte ich stattdessen die „%-Änderung der Konzentration jedes Analyten“ für jedes Individuum betrachten und so Zeit aus dem Modell sparen, aber ich bin offen für andere Optionen!
Erweiterte statistische ModellierungGrundlegende Datenanalyse und ModellierungVersuchsplanungMac OS
