Ich habe Daten von Patienten, die während der Operation mit 2 verschiedenen Arten von Behandlungen behandelt wurden. Ich muss die Auswirkung auf die Herzfrequenz analysieren. Die Herzfrequenzmessung erfolgt alle 15 Minuten.
Da die Operationsdauer für jeden Patienten unterschiedlich sein kann, kann jeder Patient zwischen 7 und 10 Herzfrequenzmessungen durchführen. Daher sollte ein unausgeglichenes Design verwendet werden. Ich mache meine Analyse mit R. Und benutze das ez-Paket, um ANOVA mit wiederholten Messmischeffekten zu erstellen. Ich weiß aber nicht, wie ich unausgeglichene Daten analysieren soll. Kann jemand helfen?
Vorschläge zur Analyse der Daten werden ebenfalls begrüßt.
Update:
Wie vorgeschlagen, habe ich die Daten mithilfe der lmer
Funktion angepasst und festgestellt, dass das beste Modell ist:
heart.rate~ time + treatment + (1|id) + (0+time|id) + (0+treatment|time)
mit folgendem Ergebnis:
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
Jetzt kann ich das Ergebnis nicht mehr interpretieren. Bin ich zu Recht zu dem Schluss gekommen, dass sich die beiden Behandlungen hinsichtlich der Beeinflussung der Herzfrequenz unterschieden? Was bedeutet die Korrelation von -504 zwischen treat0 und treat1?
quelle
Antworten:
Die lme / lmer-Funktionen aus den nlme / lme4-Paketen können mit unausgeglichenen Designs umgehen. Sie sollten sicherstellen, dass die Zeit eine numerische Variable ist. Sie möchten wahrscheinlich auch verschiedene Kurventypen testen. Der Code sieht ungefähr so aus:
Um quadratische Modelle zu erhalten, verwenden Sie die Formel "Herzfrequenz ~ Behandlung * Zeit * I (Zeit ^ 2) + (zufällige Effekte)".
Update:
In diesem Fall, in dem die Behandlung ein Zwischensubjektfaktor ist, würde ich mich an die obigen Modellspezifikationen halten. Ich glaube nicht, dass der Begriff (0 + Behandlung | Zeit) in das Modell aufgenommen werden soll. Für mich ist es in diesem Fall nicht sinnvoll, die Zeit als Gruppierungsvariable für zufällige Effekte zu behandeln.
Zur Beantwortung Ihrer Frage "Was bedeutet die Korrelation -0.504 zwischen treat0 und treat1 " ist dies der Korrelationskoeffizient zwischen den beiden Behandlungen, wobei jede Zeitgruppierung ein Wertepaar ist. Dies ist sinnvoller, wenn id der Gruppierungsfaktor ist und die Behandlung eine Variable innerhalb der Subjekte ist. Dann haben Sie eine Schätzung der Korrelation zwischen den Abschnitten der beiden Bedingungen.
Bevor Sie Rückschlüsse auf das Modell ziehen, müssen Sie es mit lmera.2 ersetzen und REML = F einfügen. Laden Sie dann das Paket "languageR" und führen Sie Folgendes aus:
Dann können Sie p-Werte erhalten, aber anscheinend gibt es wahrscheinlich einen signifikanten Effekt der Zeit und einen signifikanten Effekt der Behandlung.
quelle
lmer
eher als die guten alten vorgeschlagen wirdlme
. In solchen Desgins sind gekreuzte zufällige Effekte, für die die Hauptstärke giltlmer
, selten, aber Sie möchten häufig die Korrelationsstruktur der Residuen modellieren. Soweit ich das verstehelmer
, unterstützt es das aberlme
nicht. Bin ich falsch anzunehmen, dass in solchen Fällenlmer
ein schlechteres Werkzeug im Vergleich zu istlme
?