回复：具有重复测量设计的多元数据对于您的特定情况，我不是 SME，但总的来说，首先评估处理范围内的变化（通过您的重复测量进行量化）。 这可能包括以图形方式评估重复和评估治疗中的一致性。 一旦评估了处理内变异，您就可以决定如何枚举那些重复的测量值（例如，您要使用哪些统计数据来总结处理内数据）。 这可能是集中趋势的某种度量和方差的某种度量。 没有一种“正确”的方法可以做到这一点。 您关于使用百分比变化的想法当然值得一试。 然后你分析这些汇总统计数据来模拟治疗效果。 JMP 的美妙之处在于它可以让您非常有效地尝试多种方法。
回复：具有重复测量设计的多元数据你好@abmayfield ,
我可能有另一个建议。
如果您的分析物响应是随时间测量的连续值，Functional Data Explorer 是否有助于从曲线/时间演化中提取变化，以及同一主题 (ID) 重复测量的可能变化？
有一个主题涉及曲线数据的测量系统分析，在这种情况下可能会有所帮助：
使用功能随机效应模型对曲线数据进行测量系统分析 (2023-EU-30MP-1316)
希望这个回复对你有帮助
回复：具有重复测量设计的多元数据谢谢你的想法。 我认为它最终可能比我想象的要简单，因为我有一种感觉，它将是存在-不存在的数据：这个人是否发生了突变，如果是的话，哪些蛋白质在突变期间的浓度发生了变化出现了？ 我认为这是他们的问题（在我的专业领域之外）。 换句话说，它甚至可能不需要作为典型的重复测量对话输入到 JMP 中。
回复：具有重复测量设计的多元数据谢谢，关于使用 FDE，这是一个很酷的想法：生物标志物是否应该是“平线”趋势（即没有变化）、双曲线趋势（上升然后回落），甚至是平台（上升）并熬夜）？ 最终，这可能是进行该临床试验的医生想知道的。 我还怀疑我从未使用过的 JMP Clinical LIKELY 有解决这类复杂问题的工具，所以我也可以探索这条途径。
回复：具有重复测量设计的多元数据你好@abmayfield ,
如果随着时间的推移寻找模式，JMP Clinical 不会提供任何额外的功能，除了它包含 FDE 等 JMP Pro 功能（至少在 JMP Clinical 17 中是这样）。
我认为这就像色谱数据（随时间洗脱的蛋白质量），每个分析（蛋白质）都有一组概况（患者）。 由于涉及治疗比较，这可能会变成所谓的 FDE-DOE。
也许一些有用的链接：
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
在这种情况下，DOE 实际上只是处理与未处理的单一因素。
回复：具有重复测量设计的多元数据我也喜欢 FDE 方法，但作为第一步，您可能会考虑旋转数据，使每个值每次都是不同的列，并且每个患者一行，然后使用 PCA 或 PLS。使用 FDE，您可以轻松/直接地看到每个值随时间变化的曲线，但您还需要对每个 y 变量执行分析。使用 PLS，曲线将更难解释，因为它们不会按时间或变量自动排序，但您不需要那么多参数。
回复：具有重复测量设计的多元数据我实际上可能会将其包含在“愿望清单”中，因为我认为所有元素都已经存在：用于多变量分析的 PLS + 用于直接指定重复主题的重复测量的混合模型平台。 我认为这并不像看起来那么晦涩或深奥，因为我认为在未来，许多制药公司和临床研究人员将希望重复分析随着时间的推移跟踪的个人的整套分子（可能会或可能不会例如，正在服用药物）。 然而，我确实认为，错误地执行此操作（即忽略设计的重复测量性质）不会产生与假设大量测试对象的正确分析截然不同的结果。 换句话说，如果你给 200 名患者服用一种药物，给另外 200 名患者服用安慰剂，然后使用 MANOVA 或 PLS 查看基因表达随时间的变化，即使人们“开始”于不同的地方，你仍然可以发现差异基线基因表达水平。 但是，当然，最好以统计上最稳健的方式进行！
回复：具有重复测量设计的多元数据如果您想坚持采用重复测量的混合模型方法，我想您可以对 mRNA 进行 PCA，保存影响最大的 PC，然后将它们用于响应角色（有点像 PLS 将做的）。 然后像在混合模型或标准最小二乘法中那样做重复测量教程.
或者将所有 mRNA 作为响应，选择混合模型，将其设置为基于时间的重复结构，然后将处理放入固定效应（我可能缺少要添加的内容）。 然后使用红色小三角并为许多响应选择选项。 你会得到一张包含所有内容的表格而不是一份报告，这可能会有所帮助，但随后需要做一些额外的工作来找出受影响最大的 mRNA 以及每个模型项的其他统计数据。
无论如何这是一个想法。 可能是值得的。
回复：具有重复测量设计的多元数据嗨，安德森，
当你说 ” 3,000 个分析物”，这意味着您/他们有 3000 个 Y 变量有兴趣同时分析，因为它们之间可能存在相关性（因为它们是在同一主题上测量的），对吗？
混合模型当然具有拟合重复测量结构（即 AR(1)、ANTE）的能力，以模拟单个 Y ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-repeated-measures.shtml#ww1279888 ). 它还具有拟合多个相关响应的 Y 的能力（ https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-correlated-response.shtml# ). 但是JMP中没有办法指定多个协方差结构来结合两者。
在 SAS 中拟合这样一个混合模型是可能的，但我认为它可能会要求太多数据以这种方式对多个相关源进行建模（并希望有任何能力来检测你的治疗差异'重新感兴趣！）。 在添加治疗参数之前，您将在 3000 Y 加上任何重复测量参数之间有 4,501,500 个方差和协方差要估计！
另一个可能的平台可能是 SEM，因为它在指定相关结构方面非常灵活。@劳拉CS也许能比我更有效地说明这一点。 我知道它可能会遇到与混合模型相同的数据不足问题。
我个人从未听说过在 PLS 模型中包含重复测量结构，但我通常对 PLS 不太熟悉。 多元方差分析在数学上等同于混合模型相关响应，所以我们在同一个地方。
将响应简化为从头到尾的增量可能会得出类似的决定，并使用更简单的模型稍后尝试解释！ 当然，假设响应在中间没有变化，然后在最后返回到基线。 我也喜欢 FDE 的想法，如果它们是连续的响应，尽管我认为这不会捕获响应的可能相关性。
-伊丽莎白
回复：具有重复测量设计的多元数据嗨安德森，
我有同样的问题@eclaassen提出有关数据的精确结构。 然而，混合模型或 SEM 听起来确实适合此分析（事实上，PLS + 具有重复结构的混合模型有点像 SEM）。
这是一个发现演示文稿，解释了如何在 SEM 中模拟轨迹：
https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754
视频中的有用时间：
1 分 33 秒 -- 为什么 SEM 可以帮助进行重复测量分析
3分40秒——纵向数据使用SEM的要求（但请注意，版本18将对非正态连续数据进行稳健推理）
11 分 23 秒 -- 使用具有重复测量数据的 SEM 示例
作为@ih指出，您的数据将需要采用“宽格式”，每行一个人，每个重复测量一列。 SEM 允许一个人将所有个体都具有平坦轨迹（仅截距潜在增长曲线）的模型与具有线性、二次或其他非线性（潜在基础）增长的模型进行比较。
因为您有两组（安慰剂组和药物组），所以您可以使用 SEM 中的多组分析来比较各组的轨迹。 在这类事情的临床试验中使用 SEM 是很常见的（这是一个来自快速谷歌搜索的例子）。 我们的文档有一个例子，比较了男女学生随时间的轨迹（有 4 次重复测量）：
https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033
卫生部,
~劳拉
回复：具有重复测量设计的多元数据哇！ 非常感谢大家。 这确实是所谓的纵向研究。 不过，我开始查看数据，样本量似乎需要比 Y 的数量高 4 或 5 倍，否则你就没有通过“样本量测试”。 在这些“组学”研究中，Y（分子）几乎总是比受试者多得多。 例如，我有一个数据集，其中包含在 16 个个体中的每个个体中测量的 71 种蛋白质（8 次/治疗 x 2 次治疗）。 这种设计将“不符合”样本量规则。 这是否意味着您只能在实验对象多于分析物时使用 SEM？ 如果是这样，那么它可能不是我想要做的事情的最佳平台（逐个分子地分析 3,000 种蛋白质会花费太长时间！）。
回复：具有重复测量设计的多元数据啊! 是的，这是一个重要的警告...... 如果数据中的列数多于行数，SEM 将不起作用。 SEM 中所需的样本量取决于模型估计的参数数量；你想要比参数更多的行。
在样本量方面，混合模型比 SEM 更宽容，但有 16 行和 71 列，我认为这也不是解决方案。 基于此，我认为 FDE 会提供您所需要的。 检查链接@Chris_Kirchberg为 FDE-DOE 共享应该有所帮助。
最好的，
~劳拉
回复：具有重复测量设计的多元数据我正要回来回答这个问题，但你抢先了我。 （昨天回复之前没看到这个回复，所以我怀疑我们是不是同时打字的， @Chris_Kirchberg ！）
这是一个很好的选择，因为您随后可以绘制/排序测试 p 值以查看哪些是显着的，等等。通过 JMP 的交互性，您可以在图上进行选择，它会在数据表中选择以子集化“重要”那些。 这就是我见过的大多数具有更复杂随机效应结构的“组学”类型分析的方式。 是的，它忽略了 Y 之间的相关性，但它使分析变得可行，否则就很棘手。
回复：具有重复测量设计的多元数据我认为克里斯的想法是个好主意，因为实际上，人们想知道的是药物（或任何治疗）是否：
A）随着时间的推移对普通人没有影响
B）引起持续的影响（无论是减少还是增加）
C) 引起双曲线效应（导致分析物浓度下降然后返回基线或上升并返回基线）
因此，通过在混合模型中逐个分子地进行操作，我可以适应重复测量的性质，而且，尽管生成的输出会很大，但进行一些表排序然后按各种子集进行子集化应该不难效果，例如，识别那些没有效果的蛋白质，那些随着时间的推移而增加的蛋白质，以及那些具有“反弹”（双曲线）反应的蛋白质。
感谢大家的团队努力，我稍后会报告这是如何工作的（我代表其他人询问，否则我可以立即尝试。）。
回复：具有重复测量设计的多元数据另一种方法是使用随机截距/随机斜率模型。如果受试者结果与时间的关系曲线可以用线性回归模型来描述，那么混合模型平台可以为每个受试者拟合一个具有随机斜率和/或随机截距的模型。此脚本创建示例表并保存脚本以运行此类分析。
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：具有重复测量设计的多元数据非常感谢。 我一定会试试这个，也是。
仅供参考（对于阅读本文的任何人，尤其是那些做出回应的人），我现在已经尝试过@Chris_Kirchberg的建议：我将约 35,000 种蛋白质作为 Y 放在混合模型平台中，然后将其设置为重复测量方差分析：治疗、时间（天）和治疗 x 天，定义重复主题（作为独特的样本 ID）和重复事件是“天”（不等方差个性）。 在我配备 64 GB 内存的 Macbook Pro（JMP Pro 18 测试版）上，这只需要 2-3 分钟即可运行。 我现在有一系列表格，其中一个表格包含全部约 114,000 个比较（治疗、时间、治疗 x 时间 x 35,000 种蛋白质），我可以按 FDR p 值对其进行排序。 我现在唯一的问题是：假设我使用 FDR p 值（以避免因进行如此多的比较而导致 I 类错误），我是否放弃了不检查其他输出数据的采空区？ 重复结构应该包含协方差估计。 也许我可以测试其他 RM 性格类型，看看 BIC 是否下降？
我认为查看分布和方差同质性可能会超出 35,000 个分析物的范围，但我想我可以按不需要转换的分析物、需要平方根转换的分析物等进行子集化，以尝试提高拟合度.
具有重复测量设计的多变量数据很抱歉向社区外包了比 JMP 问题更多的统计数据，但这里有：最近有人问我 JMP Pro 是否可以分析一个设计，其中随着时间的推移在同一个体中测量 3,000 种分析物（一组可能接受一种药物，另一种服用安慰剂）。 大量的分析物不是问题，但事实上这是一个重复测量设计，据我所知，拟合模型下的多变量选项无法处理重复测量设计（如果只有一个 Y 就没问题). 如果我在 MANOVA 或偏最小二乘法下将“时间”放入模型中，那将不适应重复测量的性质。 我假设无法在 JMP Pro 中执行我想要的最佳统计检验是否正确？ 也许相反，我可以查看每个人的“每种分析物浓度的百分比变化”，从而从模型中删除时间，但我对其他选择持开放态度！
高级统计建模基础数据分析与建模实验设计苹果系统
