Ajuste de datos de medidas repetidas con JMP® Pro 13: más grande y mejor Don McCormack, ingeniero de habilitación técnica, JMP
La caracterización precisa de los modelos mixtos de medidas repetidas depende de los supuestos sobre la correlación de las observaciones a lo largo de los períodos de medición. Los períodos de tiempo adyacentes son probablemente más similares que los períodos de tiempo distantes, pero ¿cómo se captura esa similitud? La estructura de correlación de un modelo de medidas repetidas responde a esa pregunta. Desde la perspectiva de la implementación del modelo, cuantas más estructuras estén disponibles, mayor será la posibilidad de aproximar la forma en que se ven los datos en la realidad. Antes de JMP Pro 13, solo estaban disponibles tres estructuras de covarianza de medidas repetidas basadas en el tiempo comúnmente utilizadas: no estructuradas, autorregresivas (con un período de 1) y residual. Esto hizo que la caracterización fuera un desafío, dejando un gran número de posibles soluciones no disponibles para el modelador. JMP Pro 13 presenta siete nuevas estructuras, ampliando enormemente las oportunidades de modelado. Esta charla tratará sobre el modelado de datos de medidas repetidas utilizando cualquiera de las estructuras de covarianza existentes, incluidas aquellas tradicionalmente reservadas para las relaciones espaciales. Proporcionará ejemplos que ilustran su relación entre ellos, cuándo usar qué estructura y cómo compararlos para encontrar el mejor ajuste. Se proporcionará una breve descripción de los modelos mixtos de medidas repetidas, así como el código SAS correspondiente a los ejemplos.
Re: Ajuste de datos de medidas repetidas con JMP® Pro 13: más grande y mejor¡Gracias por la explicación!
Re: Ajuste de datos de medidas repetidas con JMP® Pro 13: más grande y mejor1. No pudo incluir el tiempo 0 como una covariable y una observación de tiempo 0 para el conjunto de datos de ejemplo. Están completamente correlacionados (por la virtud de que son las mismas cosas). Tienes la oportunidad de hacer una o la otra, pero no ambas. Si tenía una medida independiente del FEV de referencia, entonces se podrían incluir en el modelo tanto una covariable como un punto de tiempo 0. En ese caso, sin embargo, tendrías dos conjuntos de datos diferentes.
2. Tú podrías. Agréguelo al modelo como una interacción (p. Ej., Línea base * período de tiempo)
Re: Ajuste de datos de medidas repetidas con JMP® Pro 13: más grande y mejorExcelente vista de modelos mixtos en JMP Pro. ¡Gracias! Tengo dos preguntas:
1. Cuando se utiliza la línea de base como covariable, ¿por qué el punto de tiempo 0 (línea de base) se excluye del factor fijo "período de tiempo" (1, 2, 3, 4, 5, 6, 7, 8 horas)? ¿Se podría incluir el tiempo 0 h en el factor fijo "período de tiempo" o está mal?
2. ¿Debería probarse la covariable para detectar interacciones antes de incluirla en el modelo? Si es así, ¿cómo se hace esto?
Re: Ajuste de datos de medidas repetidas con JMP® Pro 13: más grande y mejorGran resumen de análisis de medidas repetidas en JMP Pro
