Einige Patienten mehr als einmal messen

Ich führe eine klinische Studie durch, in der ich ein anthropometrisches Maß für die Patienten ermittle. Ich weiß, wie ich mit der Situation umgehen soll, in der ich ein Maß pro Patient habe: Ich mache ein Modell, in dem ich eine Zufallsstichprobe aus einer Dichte , und ich mache die üblichen Dinge: Schreibe die Wahrscheinlichkeit von die Stichprobe, schätzen Parameter, bestimmen Konfidenzsätze und testen Hypothesen oder führen sogar eine Bayes'sche Analyse durch, wenn der Chef nicht zuschaut. ;-);f $X_1,\dots,X_n$$f_\theta$

Mein Problem ist, dass wir bei einigen Patienten mehr als eine Maßnahme haben, da wir der Meinung sind, dass es eine gute Idee ist, wenn mehr als ein Forscher das Messgerät handhabt, wenn dies möglich ist (manchmal arbeiten nur ein Forscher in der Klinik ). Daher haben wir für einige Patienten eine Maßnahme von einem Forscher, für andere Stichprobeneinheiten zwei Maßnahmen von zwei verschiedenen Forschern und so weiter. Das fragliche Maß ist die Dicke einer bestimmten Hautfalte.

Meine Frage: Welche Art von statistischem Modell ist für mein Problem geeignet?

Werfen Sie einen Blick auf Brennan (1992) zur Generalisierbarkeitstheorie oder sein Buch mit dem Titel "Generalisierbarkeitstheorie" (2010, Springer). Brennan schreibt über GT mit ANOVA, aber gemischte Modelle könnten auf die gleiche Weise verwendet werden - und viele würden sie als neuere Methode betrachten.

Sie könnten sich ein gemischtes Modell für kreuzklassifizierte Daten vorstellen (z. B. Raudenbush, 1993 ). Angenommen, Sie haben Patienten, die von Forschern gemessen wurden , und Ihre Messung wird als für und . In diesem Fall hat die Messung sowohl Auswirkungen auf Patienten als auch auf Forscher, wobei Patienten in Forschern "verschachtelt" sind (mehrere Messungen für einen einzelnen Patienten) und Forscher in Patienten "verschachtelt" sind (mehrere Messungen für jeden Patienten)R X i j i = 1 , . . . , N j = 1 , . . . , $N$$R$$X_{ij}$$i = 1,...,N$$j = 1,...,R$

Dabei ist ein fester Achsenabschnitt (wenn die Daten nicht zentriert sind), zufälliger Patienteneffekt (zufälliger Achsenabschnitt) und ein zufälliger Forschereffekt, während ein Fehlerterm ist. In lme4 wäre dasb i b j ε i $\beta_0$$b_i$$b_j$$\varepsilon_{ij}$

x ~ (1|patient) + (1|researcher)

Sie können diesen Ansatz auf die Verwendung von als unabhängige Variable erweitern oder ein hierarchisches Bayes'sches Modell definieren, in das Sie beide Variabilitätsquellen einbeziehen.$X$

Ich werde mich damit befassen, obwohl ich nur ein mathematisches Modell liefern kann, da ich ein bisschen ein Mathe-Nerd bin, aber kein Statistiker.

Kalman-Filter können die Zustandsschätzung mit mehreren Eingaben und fehlenden Informationen verarbeiten.

Wenn ich dies den Ingenieuren zeigen müsste, müssten sie Variabilitätsdiagramme von Messwerten zwischen Messtechnikern erstellen, um zu zeigen, dass es keine Variabilität von Bediener zu Bediener gibt. Sie würden zwei Messungen als gepaart behandeln. Statistik Leute sind gut darin. Wenn die Variabilität von Operator zu Operator vernachlässigbar wäre, könnte ich meine Daten mit jeder einzelnen Zeile formulieren.

• [... Messwert_1 ... Ergebnis]
• [... Messwert_2 ... Ergebnis]

Wenn nur ein Techniker die Messung durchführen würde, gäbe es nur eine Datenzeile

Andernfalls möchte ich einen Hinweis auf den Bediener in den Daten haben

• [... Messung des Betriebsnamens ... Ergebnis]

Wenn Sie den Unterschied charakterisieren können, den jeder Operator bei derselben Messung hat, können Sie ihn in Ihrem Modell berücksichtigen. Wenn Sie keinen Indikator für den Bediener angeben, wenn dies eine signifikante Quelle für Variabilität ist, könnte dies ein Problem sein.

Das Datenmodell informiert das mathematische Modell. Ich denke, GLMs haben in diesen Bereichen gute Ergebnisse erzielt. http://www.uta.edu/faculty/sawasthi/Statistics/stglm.html

Ich komme auch auf diese Frage aus einem anderen Bereich. Unabhängig davon klingt es für mich so, als ob der Zweck der Verwendung des Messgeräts durch mehrere Personen darin besteht, Messfehler berücksichtigen zu können. Wenn ich richtig verstehe, was Sie versuchen, dann klingt es wie ein Fall für die Strukturgleichungsmodellierung (SEM), mit der Sie Ihr Modell frei von Messfehlern ausführen können. SEM kann fehlende Daten berücksichtigen, wenn Sie FIML-Schätztechniken verwenden. Sie müssen die üblichen Annahmen über die fehlenden Daten treffen (dh zumindest zufällig fehlen). SEM-Modelle wurden zunehmend in RCT-Einstellungen verwendet, daher denke ich nicht, dass es ungewöhnlich wäre, diese Technik zu verwenden. Die Frage, die ich hätte, ist: Haben Sie genug Informationen, um ein ordnungsgemäß identifizierbares SEM-Modell zu erstellen?