Mam dane od pacjentów leczonych 2 różnymi rodzajami leczenia podczas operacji. Muszę przeanalizować jego wpływ na tętno. Pomiar tętna wykonywany jest co 15 minut.
Biorąc pod uwagę, że długość operacji może być różna dla każdego pacjenta, każdy pacjent może mieć od 7 do 10 pomiarów tętna. Dlatego należy zastosować niezrównoważony projekt. Robię analizę za pomocą R. I używam pakietu ez do wykonywania ANOVA z mieszanym efektem wielokrotnego pomiaru. Ale nie wiem, jak analizować niezrównoważone dane. Czy ktoś może pomóc?
Mile widziane są również sugestie dotyczące analizy danych.
Aktualizacja: zgodnie z
sugestią, dopasowałem dane za pomocą lmer
funkcji i stwierdziłem, że najlepszym modelem jest:
heart.rate~ time + treatment + (1|id) + (0+time|id) + (0+treatment|time)
z następującym wynikiem:
Random effects:
Groups Name Variance Std.Dev. Corr
id time 0.00037139 0.019271
id (Intercept) 9.77814104 3.127002
time treat0 0.09981062 0.315928
treat1 1.82667634 1.351546 -0.504
Residual 2.70163305 1.643665
Number of obs: 378, groups: subj, 60; time, 9
Fixed effects:
Estimate Std. Error t value
(Intercept) 72.786396 0.649285 112.10
time 0.040714 0.005378 7.57
treat1 2.209312 1.040471 2.12
Correlation of Fixed Effects:
(Intr) time
time -0.302
treat1 -0.575 -0.121
Teraz jestem zagubiony w interpretowaniu wyniku. Czy mam rację, stwierdzając, że te dwa zabiegi różniły się wpływaniem na tętno? Co oznacza korelacja -504 między Treat0 i Treat1?
źródło
Odpowiedzi:
Funkcje lme / lmer z pakietów nlme / lme4 są w stanie poradzić sobie z niezrównoważonymi projektami. Powinieneś upewnić się, że czas jest zmienną numeryczną. Prawdopodobnie zechcesz również przetestować różne typy krzywych. Kod będzie wyglądał mniej więcej tak:
Aby uzyskać modele kwadratowe, użyj wzoru „heart.rate ~ treatment * time * I (time ^ 2) + (random random)”.
Aktualizacja:
W tym przypadku, gdy leczenie jest czynnikiem między podmiotami, trzymałbym się powyższych specyfikacji modelu. Nie sądzę, aby termin (0 + leczenie | czas) był tym, który chciałbyś uwzględnić w modelu, dla mnie nie ma sensu w tym przypadku traktowanie czasu jako zmiennej grupującej efekty losowe.
Ale aby odpowiedzieć na pytanie „co oznacza korelacja -0,504 między traktowaniem 0 i leczeniem 1 ”, jest to współczynnik korelacji między dwoma traktowaniami, w których za każdym razem grupowanie stanowi jedną parę wartości. Ma to większy sens, jeśli id jest czynnikiem grupującym, a leczenie jest zmienną wewnątrzosobniczą. Następnie masz oszacowanie korelacji między punktami przecięcia dwóch warunków.
Przed wyciągnięciem jakichkolwiek wniosków na temat modelu, zamień go w lmera.2 i dołącz REML = F. Następnie załaduj pakiet „languageR” i uruchom:
Wtedy możesz uzyskać wartości p, ale na pierwszy rzut oka prawdopodobnie jest to znaczący wpływ czasu i znaczący efekt leczenia.
źródło
lmer
jest raczej sugerowany niż stary dobrylme
. W takich desiginach skrzyżowane efekty losowe, główna siłalmer
, są rzadkie, ale dość często chcesz modelować strukturę korelacji reszt. O ile rozumiemlmer
, nie popiera tego, alelme
obsługuje. Czy mylę się zakładając, że w takich przypadkachlmer
narzędzie gorsze jest w porównaniu do tegolme
?