Ri: dati multivariati con un disegno a misure ripetuteNon sono una PMI per la tua situazione particolare, ma in generale, valuta prima la variazione all'interno del trattamento (come quantificata dalle tue misure ripetute). Ciò potrebbe includere la valutazione grafica delle ripetizioni e la valutazione della coerenza all'interno del trattamento. Dopo aver valutato la variazione all'interno del trattamento, è possibile decidere come enumerare tali misure ripetute (ad esempio, quali statistiche si desidera utilizzare per riepilogare i dati all'interno del trattamento). Questa potrebbe essere una misura della tendenza centrale e una misura della varianza. Non esiste un modo "giusto" per farlo. Il tuo pensiero sull'uso della variazione percentuale varrebbe sicuramente la pena provare. Quindi analizzi quelle statistiche riassuntive per modellare gli effetti del trattamento. La bellezza di JMP è che ti permetterà di provare più metodi in modo abbastanza efficiente.
Ri: dati multivariati con un disegno a misure ripetuteCIAO @abmayfield ,
Potrei avere un altro suggerimento.
Se le risposte dell'analita sono valori continui misurati nel tempo, il Functional Data Explorer potrebbe essere utile per estrarre la variazione dalle curve/evoluzione temporale, con possibile varianza da misurazioni ripetute per lo stesso soggetto (ID)?
C'era un argomento relativo all'analisi del sistema di misurazione per i dati delle curve che potrebbe essere utile in questo contesto:
Analisi dei sistemi di misurazione per i dati delle curve utilizzando modelli di effetti casuali funzionali (2023-EU-30MP-1316)
Spero che questa risposta ti possa aiutare,
Ri: dati multivariati con un disegno a misure ripetuteGrazie per i tuoi pensieri. Penso che potrebbe finire per essere più semplice di quanto penso perché ho la sensazione che si tratterà di dati di presenza-assenza: la persona ha sviluppato una mutazione e, in tal caso, quali proteine sono cambiate in concentrazione durante il periodo in cui la mutazione è emerso? Penso che questa sia la loro domanda (al di fuori della mia area di competenza). In altre parole, potrebbe non essere nemmeno necessario inserirlo in JMP come un tipico dialogo di misure ripetute.
Ri: dati multivariati con un disegno a misure ripetuteGrazie, e questa è un'idea interessante per quanto riguarda l'utilizzo dell'FDE: il biomarcatore dovrebbe avere una tendenza "piatta" (cioè nessun cambiamento), iperbolica (salita e poi scesa), o addirittura un plateau (salita ed è rimasto sveglio)? In definitiva, questo potrebbe essere ciò che il medico che conduce questo studio clinico vuole sapere. Sospetto anche che JMP Clinical, che non ho mai usato, PROBABILMENTE disponga di strumenti per affrontare proprio questo tipo di domande complesse, quindi potrei esplorare anche quella strada.
Ri: dati multivariati con un disegno a misure ripetuteCIAO @abmayfield ,
JMP Clinical non avrebbe nulla di aggiuntivo da offrire se cercasse modelli nel tempo, tranne per il fatto che contiene funzionalità di JMP Pro come FDE (almeno in JMP Clinical 17).
Penso che questo sia come i dati cromatografici (quantità di proteine eluite nel tempo) con una serie di profili (pazienti) per ogni analisi (proteina). Questo potrebbe trasformarsi in quello che viene chiamato FDE-DOE poiché è coinvolto un confronto del trattamento.
Forse qualche link utile:
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 questo caso il DOE è in realtà solo un singolo fattore di trattamento rispetto a non trattato.
Ri: dati multivariati con un disegno a misure ripetuteMi piace anche l'approccio FDE, ma come primo passo potresti considerare di ruotare i tuoi dati in modo tale che ogni valore in ogni momento sia una colonna diversa e ci sia una riga per paziente e quindi utilizzare PCA o PLS.Con FDE puoi vedere facilmente/direttamente la curva di ogni valore nel tempo, ma devi anche eseguire l'analisi per ogni variabile y.Con PLS le curve sarebbero più difficili da interpretare in quanto non sarebbero ordinate automaticamente per tempo o variabile, ma non avresti bisogno di tanti parametri.
Ri: dati multivariati con un disegno a misure ripetuteIn realtà potrei includerlo nella "lista dei desideri" perché penso che tutti gli elementi siano già presenti: PLS per l'analisi multivariata + piattaforma a modello misto per misure ripetute in cui il soggetto ripetuto è specificato direttamente. Penso che questo non sia un bisogno così oscuro o esoterico come sembrerebbe perché penso che in futuro molte aziende farmaceutiche e ricercatori clinici vorranno profilare ripetutamente intere suite di molecole in individui monitorati nel tempo (che possono o meno prendere un farmaco, per esempio). Sento, tuttavia, che farlo in modo NON corretto (cioè ignorando la natura di misure ripetute del progetto) NON produrrebbe risultati radicalmente diversi dall'analisi corretta assumendo una vasta popolazione di soggetti di prova. In altre parole, se si somministrava un farmaco a 200 pazienti e un placebo ad altri 200 e poi si osservavano i cambiamenti dell'espressione genica nel tempo con MANOVA o PLS, si potevano ancora rilevare differenze anche se le persone "iniziavano" in luoghi diversi in termini di loro livelli di espressione genica basale. Ma ovviamente sarebbe preferibile farlo nel modo più statisticamente robusto!
Ri: dati multivariati con un disegno a misure ripetuteSe volessi attenersi all'approccio del modello misto con misure ripetute, immagino che potresti eseguire PCA sull'mRNA, salvare i PC con il maggiore impatto e quindi utilizzare quelli nel ruolo di risposta (un po 'come quello che farà PLS). Quindi esegui le misure ripetute come si potrebbe fare in Modelli misti o Minimi quadrati standard come in questo tutorial .
Oppure metti tutto l'mRNA in risposta, scegli un modello misto, impostalo come si farebbe per una struttura ripetuta basata sul tempo e poi inserisci il trattamento in Effetti fissi (probabilmente mi manca qualcosa da aggiungere). Quindi usa il triangolo rosso e scegli Opzioni per molte risposte. Otterrai una tabella per tutto invece di un rapporto e questo potrebbe essere d'aiuto, ma poi ci sarà del lavoro extra per capire quale mRNA è più interessato e altre statistiche per ciascuno dei termini del modello.
È comunque un pensiero. Potrebbe valerne la pena.
Ri: dati multivariati con un disegno a misure ripetuteCiao Anderson,
Quando dici " 3.000 analiti", ciò significa che avresti 3000 variabili Y che sei interessato ad analizzare simultaneamente a causa delle possibili correlazioni tra loro (poiché sono misurate sullo stesso soggetto), giusto?
Il modello misto ha certamente la capacità di adattare una struttura di misure ripetute (ad es. AR(1), ANTE) per modellare le correlazioni tra punti temporali per un singolo Y ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-repeated-measures.shtml#ww1279888 ). Ha anche la capacità di adattare più Y che sono risposte correlate ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-correlated-response.shtml# ). Ma non c'è modo di specificare più strutture di covarianza in JMP per combinare le due.
Potrebbe essere possibile adattare un modello così misto in SAS, ma penso che probabilmente richiederebbe troppi dati per modellare le molteplici fonti di correlazione in questo modo (e spero di avere il potere di rilevare le differenze di trattamento che tu ' ti interessa!). Avresti 4.501.500 varianze e covarianze tra i 3000 Y più eventuali parametri di misure ripetute da stimare prima di aggiungere i parametri del trattamento!
Un'altra possibile piattaforma potrebbe essere SEM, poiché è molto flessibile nello specificare le strutture di correlazione.@LauraCS potrebbe essere in grado di parlarci in modo più efficace di me. So che può incorrere negli stessi problemi di dati insufficienti dei modelli misti.
Personalmente, non ho mai sentito parlare dell'inclusione di una struttura di misure ripetute con un modello PLS, ma non ho familiarità con PLS, in generale. MANOVA è matematicamente equivalente alle risposte correlate del modello misto, quindi siamo più o meno nello stesso posto.
Semplificare le risposte in modo che siano il delta dall'inizio alla fine porterebbe probabilmente a una decisione simile con un modello molto più semplice da provare a spiegare in seguito! Supponendo che la risposta non sia cambiata nel mezzo e poi sia tornata alla linea di base alla fine, ovviamente. Mi piace anche l'idea FDE, se sono risposte continue, anche se non penso che catturerà la possibile correlazione delle risposte.
-Elisabetta
Ri: dati multivariati con un disegno a misure ripetuteCiao Anderson,
Ho la stessa domanda che @eclaassen sollevato in merito alla struttura precisa dei tuoi dati. Tuttavia, suona come Mixed Models o SEM è la soluzione naturale per questa analisi (in effetti, PLS + modello misto con struttura ripetuta è un po' come SEM).
Ecco una presentazione di scoperta che spiega come modellare le traiettorie in SEM:
https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754
Momenti utili nel video:
1min 33 sec -- Perché SEM può aiutare con l'analisi di misure ripetute
3min 40 sec-- Requisiti per l'utilizzo di SEM con dati longitudinali (ma si noti che la versione 18 avrà un'inferenza robusta per dati continui non normali)
11min 23sec-- Esempio di utilizzo di SEM con dati di misure ripetute
COME @ih sottolineato, i tuoi dati dovranno essere in "formato largo" con un individuo per riga e una colonna per misura ripetuta. SEM permette di farlo confronta un modello in cui tutti gli individui hanno traiettorie piatte (curva di crescita latente solo intercetta) con uno in cui hanno una crescita lineare, quadratica o altra non lineare (base latente).
Poiché hai due gruppi (placebo e farmaci), puoi confrontare le traiettorie tra i gruppi utilizzando l'analisi di più gruppi in SEM. È abbastanza comune usare SEM negli studi clinici per questo genere di cose ( ecco un esempio da una rapida ricerca su google). La nostra documentazione ha un esempio che confronta le traiettorie di studenti maschi e femmine nel tempo (con 4 misure ripetute):
https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033
HTH,
~ Laura
Ri: dati multivariati con un disegno a misure ripetuteOh! Grazie mille a tutti. Questo è davvero ciò che viene definito uno studio longitudinale. Ho iniziato a esaminare i dati, tuttavia, e sembra che la dimensione del campione debba essere 4 o 5 volte superiore al numero di Y, altrimenti hai fallito il "test della dimensione del campione". In questi studi di 'Omics, ci saranno quasi sempre molte più Y (molecole) che soggetti. Ad esempio, ho un set di dati con 71 proteine misurate in ciascuno dei 16 individui (8/trattamento x 2 trattamenti). Questo progetto "fallirebbe" la regola della dimensione del campione. Questo significa che puoi usare SEM solo quando ci sono più soggetti sperimentali che analiti? Se è così, allora potrebbe non essere la migliore piattaforma per quello che sto cercando di fare (andare molecola per molecola per 3.000 proteine richiederebbe troppo tempo!).
Ri: dati multivariati con un disegno a misure ripetuteAh! Sì, questo è un avvertimento importante... SEM non funzionerà se ci sono più colonne che righe nei tuoi dati. La dimensione del campione richiesta in SEM dipende dal numero di parametri stimati dal modello; vuoi più righe che parametri.
I modelli misti sono più indulgenti del SEM quando si tratta di dimensioni del campione, ma con 16 righe e 71 colonne, non penso che sia neanche la soluzione. Sulla base di questo, penso che FDE fornirà ciò di cui hai bisogno. Controllando i link che @Chris_Kirchberg condiviso per FDE-DOE dovrebbe aiutare.
Migliore,
~ Laura
Ri: dati multivariati con un disegno a misure ripetuteStavo solo per tornare indietro e rispondere con questo, ma mi hai preceduto. (Non ho visto questa risposta prima di rispondere ieri, quindi mi chiedo se stessimo scrivendo contemporaneamente, @Chris_Kirchberg !)
Questa è un'ottima opzione perché è quindi possibile tracciare/ordinare i valori p del test per vedere quali sono significativi, ecc. quelli. È così che ho visto la maggior parte delle analisi di tipo omico che hanno strutture di effetti casuali più complesse. Sì, ignora la correlazione tra le Y, ma rende l'analisi fattibile, mentre altrimenti è intrattabile.
Ri: dati multivariati con un disegno a misure ripetutePenso che l'idea di Chris sia buona perché, in realtà, ciò che si vorrebbe sapere è se il farmaco (o qualunque trattamento):
A) non ha suscitato alcun effetto nel tempo per l'individuo medio
ha suscitato un effetto prolungato (sia esso una diminuzione o un aumento)
C) ha suscitato un effetto iperbolico (ha causato la diminuzione della concentrazione dell'analita e quindi il ritorno al basale o l'aumento e il ritorno al basale)
Quindi, facendolo molecola per molecola nel modello misto, posso adattare la natura delle misure ripetute e, anche se l'output risultante sarà grande, non dovrebbe essere difficile fare un po' di ordinamento delle tabelle e poi sottoinsiemi per i vari effetti, ad esempio, identifica quelle proteine senza effetto, quelle con un aumento nel tempo e quelle con una risposta di "rimbalzo" (iperbolica).
Grazie a tutti per il lavoro di squadra e riferirò in seguito su come ha funzionato (lo sto chiedendo per conto di qualcun altro, altrimenti potrei provarlo immediatamente).
Ri: dati multivariati con un disegno a misure ripetuteUn altro approccio sarebbe quello di utilizzare un modello di intercetta casuale / pendenze casuali.Se i profili dei risultati dei soggetti rispetto al tempo possono essere descritti da un modello di regressione lineare, la piattaforma del modello misto può adattare un modello con pendenze casuali e/o intercettazioni casuali per ciascun soggetto.Questo script crea una tabella di esempio e con gli script salvati per eseguire questo tipo di analisi.
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" )}
)
)
)
)}
);Ri: dati multivariati con un disegno a misure ripetuteGrazie mille. Sicuramente proverò anche questo.
Cordiali saluti (a chiunque legga questo, specialmente a quelli che hanno risposto), ora ho provato @Chris_Kirchberg suggerimento di: ho inserito ~ 35.000 proteine come Y nella piattaforma del modello misto, quindi l'ho impostato come ANOVA a misure ripetute: trattamento, ora (giorno) e trattamento x giorno, con un soggetto ripetuto definito (come un unico ID campione) e l'evento ripetuto è "giorno" (personalità con varianze disuguali). Sul mio Macbook Pro con 64 GB di RAM (JMP Pro 18 beta), ci sono voluti solo 2-3 minuti per funzionare. Ora ho una serie di tabelle, una delle quali con tutti i ~ 114.000 confronti (trattamento, tempo, trattamento x tempo x 35.000 proteine) che posso ordinare in base al valore p FDR. La mia unica domanda ora è: supponendo che io usi il valore p FDR (per evitare errori di tipo I per avere così tanti confronti), sto remise nel NON controllare le gocce di altri dati di output? Le stime di covarianza avrebbero dovuto essere adattate dalla struttura ripetuta. Forse potrei testare altri tipi di personalità RM e vedere se il BIC diminuisce?
Penso che guardare le distribuzioni e l'omogeneità della varianza possa andare fuori dalla finestra con 35.000 analiti, MA suppongo che potrei sottoinsieme da analiti per i quali non sono necessarie trasformazioni, analiti per i quali sono necessarie trasformazioni di radice quadrata, ecc. per cercare di migliorare l'adattamento .
dati multivariati con un disegno a misure ripetuteMi scuso per aver dato alla comunità quella che è più una statistica che una domanda su JMP, ma ecco qui: recentemente mi è stato chiesto se JMP Pro potesse analizzare un progetto in cui 3.000 analiti vengono misurati negli stessi individui nel tempo (un gruppo forse riceve un medicinale e all'altro è stato somministrato un placebo). Il problema non è l'elevato numero di analiti, ma il fatto che si tratti di un progetto a misure ripetute e, per quanto ne so, le opzioni multivariate in Fit Model non possono gestire un progetto a misure ripetute (non ci sarebbero problemi se ci fosse un singolo Y ). Se inserisco "tempo" nel modello sotto MANOVA o minimi quadrati parziali, ciò non si adatta alla natura delle misure ripetute. Ho ragione nel presumere che il test statistico ottimale che desidero non possa essere eseguito in JMP Pro? Forse invece potrei esaminare la "% di variazione della concentrazione di ciascun analita" per ogni individuo, rimuovendo così il tempo dal modello, ma sono aperto ad altre opzioni!
Modellazione statistica avanzataAnalisi e modellazione dei dati di baseProgettazione di esperimentiMac OS
