Anpassen von Messwiederholungsdaten mit JMP® Pro 13: Größer und besserDon McCormack, Technischer Befähigungsingenieur, JMP
Die genaue Charakterisierung von gemischten Modellen mit wiederholten Messungen hängt von Annahmen über die Korrelation von Beobachtungen über Messzeiträume hinweg ab. Benachbarte Zeiträume sind wahrscheinlich ähnlicher als entfernte Zeiträume, aber wie wird diese Ähnlichkeit erfasst? Die Korrelationsstruktur eines Messwiederholungsmodells beantwortet diese Frage. Aus Sicht der Modellimplementierung gilt: Je mehr Strukturen zur Verfügung stehen, desto besser ist die Chance, sich dem Aussehen der Daten in der Realität anzunähern. Vor JMP Pro 13 waren nur drei häufig verwendete zeitbasierte Kovarianzstrukturen für wiederholte Messungen verfügbar: unstrukturiert, autoregressiv (mit einer Periode von 1) und Residual. Dies erschwerte die Charakterisierung und ließ eine große Anzahl potenzieller Lösungen für den Modellierer unerreichbar. JMP Pro 13 führt sieben neue Strukturen ein und erweitert die Modellierungsmöglichkeiten erheblich. In diesem Vortrag wird die Modellierung von Messwiederholungsdaten unter Verwendung einer der vorhandenen Kovarianzstrukturen erörtert, einschließlich derjenigen, die traditionell räumlichen Beziehungen vorbehalten sind. Es wird Beispiele liefern, die ihre Beziehung zueinander veranschaulichen, wann man welche Struktur verwendet und wie man sie vergleicht, um die beste Anpassung zu finden. Es wird ein kurzer Überblick über gemischte Modelle mit wiederholten Messungen sowie der den Beispielen entsprechende SAS-Code gegeben.
Betreff: Anpassen von Messwiederholungsdaten mit JMP® Pro 13: Größer und besserVielen Dank für die Erklärung!
Betreff: Anpassen von Messwiederholungsdaten mit JMP® Pro 13: Größer und besser1. Sie konnten Zeit 0 nicht sowohl als Kovariate als auch als Zeit-0-Beobachtung für den Beispieldatensatz einbeziehen. Sie sind vollständig korreliert (aufgrund der Tatsache, dass sie dieselben Dinge sind). Sie können das eine oder das andere tun, aber nicht beides. Wenn Sie ein unabhängiges Maß für das Ausgangs-FEV hätten, könnten sowohl eine Kovariate als auch ein Zeit-0-Punkt in das Modell aufgenommen werden. In diesem Fall hätten Sie jedoch zwei verschiedene Datensätze.
2. Du könntest. Fügen Sie es dem Modell als Interaktion hinzu (z. B. Baseline*Time Period)
Betreff: Anpassen von Messwiederholungsdaten mit JMP® Pro 13: Größer und besserHervorragender Überblick über gemischte Modelle in JMP Pro.Vielen Dank! Ich habe zwei Fragen:
1. Wenn die Baseline als Kovariate verwendet wird – warum wird der Zeitpunkt 0 (Baseline) aus dem festen Faktor „Zeitraum“ (1, 2, 3, 4, 5, 6, 7, 8 Std.) ausgeschlossen? Könnte die Zeit 0 h in den festen Faktor "Zeitraum" aufgenommen werden oder ist dies falsch?
2. Soll die Kovariate auf Wechselwirkungen getestet werden, bevor sie in das Modell aufgenommen wird? Wenn ja, wie wird das gemacht?
Betreff: Anpassen von Messwiederholungsdaten mit JMP® Pro 13: Größer und besserGroßartiger Überblick über die Analyse wiederholter Messungen in JMP Pro
