Re: 反復測定計画による多変量データ私はあなたの特定の状況の SME ではありませんが、一般的には、最初に処理内の変動を評価します (繰り返し測定によって定量化されます)。 これには、繰り返しをグラフィカルに評価し、治療内の一貫性を評価することが含まれる場合があります。 処理内変動を評価したら、それらの反復測定を列挙する方法を決定できます (たとえば、処理内データを要約するためにどの統計を使用するかなど)。 これは、中心傾向の尺度であり、分散の尺度である可能性があります。 これを行う「正しい」方法はありません。 パーセンテージ変化を使用することについてのあなたの考えは、確かに試してみる価値があります. 次に、これらの要約統計量を分析して、治療効果をモデル化します。 JMP の優れた点は、複数の方法を非常に効率的に試すことができることです。
Re: 反復測定計画による多変量データやあ@abmayfield 、
別の提案があるかもしれません。
アナライトの応答が経時的に測定された連続値である場合、同じ被験者 (ID) の繰り返し測定からの変動を考慮して、機能データ エクスプローラーは曲線/時間発展から変動を抽出するのに役立ちますか?
このコンテキストで役立つ可能性のある曲線データの測定システム分析を扱うトピックがありました。
機能ランダム効果モデルを使用した曲線データの測定システム分析 (2023-EU-30MP-1316)
この回答が参考になれば幸いです
Re: 反復測定計画による多変量データご感想ありがとうございます。 私が考えているよりも単純な結果になるかもしれないと思います。なぜなら、それは有無のデータになると感じているからです。その人が突然変異を起こしたのか、もしそうなら、突然変異が起こった期間にどのタンパク質の濃度が変化したのか現れた？ これは彼らの質問だと思います（私の専門分野外です）。 つまり、典型的な反復測定ダイアログのように、JMP に入力する必要さえないかもしれません。
Re: 反復測定計画による多変量データありがとう、これは FDE の使用に関するクールなアイデアです。バイオマーカーは「フラットライン」トレンド (つまり、変化なし)、双曲線トレンド (上昇して下降)、またはプラトー (上昇) でさえあるべきでしたか?起きていた）？ 最終的に、これはこの臨床試験を実施している医師が知りたいことかもしれません。 また、私が使用したことのない JMP Clinical には、この種の複雑な問題に対処するためのツールがある可能性が高いと思われるので、その道を探るかもしれません.
Re: 反復測定計画による多変量データやあ@abmayfield 、
JMP Clinical は、FDE などの JMP Pro 機能を含むことを除いて (少なくとも JMP Clinical 17 では) パターンを長期的に検索する場合、提供できる追加機能はありません。
これは、分析 (タンパク質) ごとに一連のプロファイル (患者) を持つクロマトグラフィー データ (経時的に溶出したタンパク質の量) のようなものだと思います。 これは、処理の比較が含まれるため、FDE-DOE と呼ばれるものになる可能性があります。
おそらくいくつかの役立つリンク：
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
この場合、DOE は実際には、処理されたものと処理されていないものの 1 つの要因にすぎません。
Re: 反復測定設計による多変量データ私は FDE アプローチも気に入っていますが、最初のステップとして、すべての値が毎回異なる列になり、患者ごとに 1 行になるようにデータをピボットしてから、PCA または PLS を使用することを検討するかもしれません。FDE を使用すると、時間の経過に伴う各値の曲線を簡単に直接確認できますが、y 変数ごとに分析を実行する必要もあります。PLS を使用すると、時間や変数によって自動的に順序付けされないため、曲線の解釈が難しくなりますが、それほど多くのパラメーターは必要ありません。
Re: 反復測定設計による多変量データ実際、これを「ウィッシュ リスト」に含めるかもしれません。すべての要素がすでに存在していると思うからです。多変量解析用の PLS + 繰り返しの対象が直接指定される繰り返し測定用の混合モデル プラットフォームです。 これは思っているほどあいまいでも難解なニーズでもないと私は考えています。なぜなら、将来的には多くの製薬会社や臨床研究者が、長期にわたって追跡される個人（対象者であろうとなかろうと）の一連の分子全体を繰り返しプロファイリングしたいと思うからです。たとえば、薬を服用している場合など）。 しかし、これを間違って実行しても（つまり、設計の繰り返し測定の性質を無視して）、多数の被験者を想定した適切な分析とは劇的に異なる結果は得られないと私は感じています。 言い換えれば、200 人の患者に薬を投与し、他の 200 人の患者にプラセボを投与し、その後 MANOVA または PLS で遺伝子発現の経時的変化を観察した場合、人々が異なる場所で「開始」したとしても、差異を検出することができます。ベースライン遺伝子発現レベル。 しかし、もちろん、統計的に最も堅牢な方法でそれを行うことが望ましいでしょう。
Re: 反復測定設計による多変量データ繰り返し測定を行う混合モデルのアプローチにこだわりたい場合は、mRNA に対して PCA を実行し、最大の影響を与える PC を保存し、それらを応答の役割で使用できると思います (PLS が行うことと似ています)。 次に、混合モデルまたは標準最小二乗法で行う場合と同様に、次のように測定を繰り返します。チュートリアル。
または、すべての mRNA を応答として配置し、混合モデルを選択し、時間ベースの繰り返し構造の場合と同じように設定してから、固定効果に処理を加えます (おそらく追加するものが欠けています)。 次に、赤い三角形を使用して、[多数の回答のオプション] を選択します。 レポートの代わりにすべての表が得られるので、それは役立つかもしれませんが、どの mRNA が最も影響を受けるか、および各モデル項のその他の統計を整理するための追加の作業が必要になります。
それはとにかく考えです。 それだけの価値があるかもしれません。
Re: 反復測定設計による多変量データこんにちは、アンダーソンさん
あなたが言う時 " 3,000 個の分析物」ということは、(同じ対象で測定されるため) それらの間に相関関係がある可能性があるため、同時に分析したいと考えている 3000 個の Y 変数があるという意味ですよね?
混合モデルは確かに、反復測定構造 (AR(1)、ANTE) を当てはめて、単一の Y の時点間の相関をモデル化する機能を備えています ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-repeat-measures.shtml#ww1279888 ）。 また、相関のある応答である複数の Y を当てはめる機能もあります ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-corpopular-response.shtml# ）。 しかし、JMP では複数の共分散構造を指定して 2 つを組み合わせる方法はありません。
このような混合モデルを SAS に適合させることは可能かもしれませんが、この方法で複数の相関関係のソースをモデル化するには大量のデータが必要になる可能性が高いと思います (治療の違いを検出できる可能性があれば幸いです)興味があります!)。 治療パラメータを追加する前に、3,000 Y と反復測定パラメータの間に 4,501,500 の分散と共分散があり、推定する必要があります。
もう 1 つの考えられるプラットフォームは SEM です。これは、相関構造の指定が非常に柔軟であるためです。@Laura私よりも効果的にそれについて話すことができるかもしれません。 混合モデルと同じ、十分なデータがないという問題に遭遇する可能性があることはわかっています。
私個人としては、PLS モデルに反復測定構造を組み込むという話は聞いたことがありませんが、PLS については一般的にそれほど詳しくありません。 MANOVA は混合モデルの相関応答と数学的に同等であるため、ほぼ同じ状況にあります。
応答を最初から最後までデルタになるように単純化すると、後で説明するはるかに単純なモデルを使用して、同様の決定が得られる可能性があります。 もちろん、反応が途中で変化せず、最後にはベースラインに戻ると仮定します。 私は、FDE のアイデアも同様に気に入っています。連続的な応答であれば、応答の相関関係を捉えることはできないと思います。
-エリザベス
Re: 反復測定設計による多変量データこんにちは、アンダーソンさん
私も同じ質問があります@eclaassenデータの正確な構造について取り上げられます。 ただし、混合モデルまたは SEM がこの分析に自然に適合しているように思えます (実際、PLS + 繰り返し構造を含む混合モデルは SEM に似ています)。
以下は、SEM で軌跡をモデル化する方法を説明する発見プレゼンテーションです。
https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754
ビデオ内の役立つ時間:
1 分 33 秒 -- SEM が反復測定分析に役立つ理由
3 分 40 秒 -- 縦方向データで SEM を使用するための要件 (ただし、バージョン 18 では非正規連続データに対して堅牢な推論が行われることに注意してください)
11分23秒-- 繰り返し測定データを使用したSEMの使用例
として@ih指摘されているように、データは行ごとに 1 人の個人、繰り返し測定ごとに 1 列の「ワイド形式」にする必要があります。 SEM を使用すると、すべての個人が平坦な軌跡 (切片のみの潜在成長曲線) を持つモデルと、線形、二次、またはその他の非線形 (潜在基底) 成長を持つモデルとを比較します。
2 つのグループ (プラセボと投薬) があるため、SEM で複数グループ分析を使用してグループ間の軌跡を比較できます。 この種の目的で臨床試験で SEM を使用するのは非常に一般的です (ここにあります簡単な Google 検索の一例です)。 私たちのドキュメントには、男性学生と女性学生の経時的な軌跡を比較する例があります (4 つの反復測定あり)。
https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033
HTH、
〜ローラ
Re: 反復測定設計による多変量データおお！ みなさん、本当にありがとうございました。 これはまさに縦断的研究と呼ばれるものです。 しかし、データを調べ始めたところ、サンプル サイズは Y の数より 4 倍か 5 倍大きくなければならないようです。そうしないと、「サンプル サイズ テスト」に失敗してしまうようです。 これらの「オミクス研究」では、ほとんどの場合、被験者よりもはるかに多くの Y (分子) が存在します。 たとえば、16 人の各個人で測定された 71 個のタンパク質を含む 1 つのデータセットがあります (8 回/治療 x 2 回の治療)。 この設計はサンプルサイズルールを「満たさない」ことになります。 これは、分析対象よりも実験対象の数が多い場合にのみ SEM を使用できるという意味ですか? もしそうなら、それは私がやろうとしていることに最適なプラットフォームではないかもしれません (3,000 個のタンパク質を分子ごとに調べると時間がかかりすぎます!)。
Re: 反復測定設計による多変量データああ！ はい、それは重要な注意事項です... データ内の行数よりも列数が多い場合、SEM は機能しません。 SEM で必要なサンプル サイズは、モデルが推定するパラメーターの数によって異なります。パラメータよりも多くの行が必要な場合。
混合モデルは、サンプル サイズに関しては SEM よりも寛容ですが、16 行 71 列なので、それも解決策ではないと思います。 これを踏まえると、FDE は必要なものを提供してくれると思います。 リンクをチェックすると、 @Chris_Kirchberg FDE-DOE 用に共有されているものが役立つはずです。
一番、
〜ローラ
Re: 反復測定設計による多変量データ戻ってきてこれに返信するつもりだったのに、あなたにやられてしまいました。 (昨日返信するまでこの返信を見ていなかったので、同時に入力していたのかな、 @Chris_Kirchberg !)
これは、テストの p 値をプロット/並べ替えて、どれが重要であるかを確認できるため、優れたオプションです。また、JMP の対話機能を使用すると、プロット上で選択することができ、「重要」をサブセット化するためにデータ テーブル内で選択できます。もの。 これは、より複雑な変量効果構造を持つオミクスタイプの分析のほとんどを私が見てきた方法です。 はい、Y 間の相関関係を無視していますが、それによって分析は実行可能になりますが、そうでない場合は分析が困難になります。
Re: 反復測定設計による多変量データChris のアイデアは良いものだと思います。なぜなら、実際に知りたいのは、その薬 (またはその他の治療法) が次のようなものであるかどうかだからです。
A) 平均的な個人に対しては、時間が経っても何の影響も引き起こさなかった
持続的な効果を引き出した（減少または増加）
C) 双曲線効果を誘発する (分析対象物の濃度が低下してからベースラインに戻る、または上昇してからベースラインに戻る)
したがって、混合モデルで分子ごとに実行することで、繰り返し測定の性質に対応でき、結果として得られる出力は大きくなりますが、テーブルのソートとさまざまなサブセット化を行うことは難しくありません。たとえば、効果のないタンパク質、時間の経過とともに増加するタンパク質、および「リバウンド」（双曲線）応答のあるタンパク質を特定します。
チームの尽力に感謝します。これがどのように機能したかについては、後ほど報告します (他の人の代わりに質問しています。さもなければ、すぐに試すことができます)。
Re: 反復測定設計による多変量データ別のアプローチは、ランダム切片/ランダム傾きモデルを使用することです。被験者の結果対時間のプロファイルが線形回帰モデルで記述できる場合、混合モデル プラットフォームは、被験者ごとにランダムな傾きおよび/またはランダムな切片を使用してモデルを適合させることができます。このスクリプトは、このタイプの分析を実行するために保存されたスクリプトを使用してサンプルテーブルを作成します。
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" )}
)
)
)
)}
);Re: 反復測定設計による多変量データ本当にありがとう。 これもぜひ試してみます。
参考までに（これを読んでいる人、特に回答してくれた人へ）、私は今試してみました@Chris_Kirchbergさんの提案: 混合モデル プラットフォームに約 35,000 個のタンパク質を Y として設定し、それを反復測定 ANOVA として設定します: 治療、時間 (日)、および治療 x 日。反復対象を (一意の変数として定義)サンプル ID)、繰り返されるイベントは「日」です (不等分散の性格)。 64 GB の RAM を搭載した私の Macbook Pro (JMP Pro 18 ベータ版) では、実行にかかる時間はわずか 2 ～ 3 分でした。 これで一連のテーブルができました。そのうちの 1 つは、FDR p 値で並べ替えることができる、約 114,000 個の比較 (治療、時間、治療 x 時間 x 35,000 タンパク質) をすべて含んでいます。 私の唯一の質問は、(非常に多くの比較によるタイプ I エラーを避けるために) FDR p 値を使用すると仮定すると、他の出力データのゴブをチェックアウトしなくても大丈夫でしょうか? 共分散推定は、繰り返し構造によって調整されるはずです。 他の RM 性格タイプをテストして、BIC が低下するかどうかを確認できるでしょうか?
35,000 件の分析物では、分布と分散の均一性を見ることは問題になるかもしれませんが、変換が必要ない分析物、平方根変換が必要な分析物などによってサブセット化して、適合性を改善できると思います。 。
反復測定設計による多変量データコミュニティに対する JMP の質問というよりも統計的なものを明らかにして申し訳ありませんが、次のとおりです。私は最近、同じ個人で 3,000 個の分析対象物を長期にわたって測定するデザインを JMP Pro で分析できるかどうか尋ねられました (おそらく 1 つのグループが一人には薬が、もう一人にはプラセボが与えられました）。 分析対象物の数が多いことが問題ではありませんが、これが反復測定計画であるという事実と、私の知る限り、モデルの適合の下の多変量オプションは反復測定計画を処理できません (単一の Y があれば問題はありません) ）。 MANOVA または部分最小二乗法に基づいてモデルに「時間」を入力すると、反復測定の性質に対応できなくなります。 私が望む最適な統計検定は JMP Pro では実行できないと考えてよいでしょうか? おそらく代わりに、各個人の「各分析物の濃度の変化率」を調べて、モデルから時間を削除することもできますが、他のオプションも受け入れます。
高度な統計モデリング基本的なデータ分析とモデリング実験計画法マックOS
