30584 - Analyse des mesures répétées dans JMP® Software
L'analyse des mesures répétées des données dans JMP ® Software
JMP propose plusieurs méthodes pour analyser des mesures répétées: une approche, une approche split-plot univariée multivariée mesures répétées, et une capacité supplémentaire par JMP ® Pro pour effectuer une telle analyse avec la personnalité du modèle mixte au sein de la plate-forme du modèle Fit. Les types d'analyses sont comparées dans la discussion qui suit. L'exemple utilise l'échantillon table de données DOGS (dogs.jmp), qui est le résultat d'une étude avec des mesures répétées. Dans cet exemple, avant d'effectuer une analyse sur l'ensemble de données DOGS, nous renommer la variable d'ID comme sujet et modifier le type de modélisation du continu à la valeur nominale.
Figure A: Arrangement de table de données, approche multivariée

La figure B montre sélectionné colonnes de la table DOGS restructurée où les colonnes de LogHist ont été empilés dans une colonne de réponse unique.
Figure B. Disposition des données Tableau, univariée Approche Split-terrain et une approche de modèle mixte

Une approche multivariée
Lorsqu'il y a plusieurs variables Y, JMP effectue automatiquement une analyse à plusieurs variables. Lorsque vous exécutez d'abord le modèle, le panneau de commande à variables multiples apparaît. Pour tester l'effet de la drogue au fil du temps, sélectionnez « mesures répétées » comme la conception de réponse dans le menu contextuel du panneau de commande. Dans la mesures répétées de dialogue qui apparaît, utilisez le temps du nom d'effet par défaut mais il faut vérifier « Tests univariée également » pour obtenir des tests univariée et unidimensionnelles ajustés. Cette option comprend un test de sphéricité (non représenté ici), qui vérifie si les tests F univariée non ajustés sont appropriés. Si le test du chi carré sphéricité est non significatif, vous pouvez utiliser les tests F univariée non ajustés. Cependant, si le chi carré de test de sphéricité est significatif, le critère est rejeté et les tests F à plusieurs variables ou les tests F univariée ajustés doit être utilisé. JMP donne à la fois l'effet de serre-Geisser (G-G), et le ajustées Huynh-Feldt (H-F) tests F.
Une approche unidimensionnelle Split-terrain
L'analyse univariée exige que les mesures de réponse soient dans une seule colonne. En utilisant la commande Stack dans le menu Tables, vous pouvez empiler les LogHist0. LogHist1 et colonnes LogHist3 pour créer une nouvelle colonne de réponse, comme le montre la figure B. La nouvelle réponse LogHist et le nouveau temps variable de classification ont été créés par la commande de la pile.
Avec configuré correctement la table de données, choisissez l'ajustement du modèle à partir du menu Analyse. Sélectionnez LogHist comme Y, et ajoutez les effets dans le modèle comme le montre la figure C.
Figure C: univariée Mesures répétées Spécification

- médicament dans la liste de sélection variable, Ajouter
- Sous réserve de la liste de sélection variable, Ajouter
- médicament dans la liste de sélection des variables, et
- Sous réserve des effets dans la liste des modèles, puis Nest
- [Médicament] sujet des effets dans la liste des modèles, puis sélectionnez Aléatoire de l'effet des attributs menu contextuel donnant [médicament] Sujet Au hasard dans les effets dans la liste des modèles
- Temps dans la liste de sélection variable, Ajouter
- médicament dans la liste de sélection variable et
- Temps dans la liste de sélection variable, Cross
Le intersujet effet, la drogue, est l'effet de toute parcelle d'une conception split-plot. L'effet sujet est imbriqué dans la drogue. Ce terme est défini comme un effet aléatoire. Des effets aléatoires inclus dans le modèle indiquent plusieurs sources de variation des données. Toutes les sources de variation sont prises en considération dans le modèle MVR; donc des estimations des effets et des tests d'effets sont ajustés et calculés de façon appropriée.
Après avoir exécuté ce modèle, vous pouvez examiner l'importance des effets du modèle vu dans la section « Tests d'effets fixes » dans la fenêtre de résultats, qui sont présentés ci-dessous dans la section Résultats de comparaison.
Approche modèle mixte
Dans JMP Pro, la personnalité du modèle mixte au sein de la plate-forme Fit modèle offre également la possibilité d'analyser des mesures répétées des données. Cette méthode nécessite des mesures de réponse à être structurés dans une seule colonne comme indiqué dans la figure B.
Avec la table de données active, choisissez l'ajustement du modèle à partir du menu Analyse. Dans le menu déroulant personnalité, sélectionnez Modèle mixte. Assigner LogHist comme la variable Y, ajouter du temps. drogue. et la drogue * Temps dans l'onglet Effets fixes, et ajouter Sous réserve de l'onglet Effets aléatoires. Cliquez sur l'onglet Structure répétée et conservez la sélection par défaut, « résiduel », qui représente la structure de covariance de symétrie composé. Dans cet exemple, nous allons utiliser cette option pour afficher des résultats cohérents à travers la méthode. Comme expliqué dans le paragraphe précédent, la structure de symétrie composé est équivalente à la structure de covariance supposée dans une analyse univariée split-plot.
Exécutez le modèle et l'importance des effets fixes apparaîtra dans la dernière section de la fenêtre de résultats.
En comparant les résultats
La comparaison des méthodes
Chaque type d'analyse a ses avantages et ses inconvénients:- L'analyse multivariée est facile et intuitive de préciser dans JMP. Ses tests sont généralement plus puissants. Du point de vue informatique, cette méthode est la plus efficace. Toutefois, si un sujet manque une valeur, toutes les informations pour ce sujet est perdu à l'analyse.
- L'analyse univariée peut utiliser toutes les données que la mesure manquante d'un sujet est perdu à l'analyse. Cependant, l'analyse univariée peut être très nombreux calculs, surtout s'il y a beaucoup de sujets.
- Les deux méthodes ci-dessus supposent une structure de covariance extrême. L'analyse multivariée suppose matrice de covariance non structurée où tous les variances et covariances sont estimées individuellement. L'analyse split-plot assume toutes les erreurs sont indépendantes. Avec ces deux hypothèses, des informations dans vos données sont utilisées pour estimer les paramètres de covariance. Cela peut entraîner la overfitting de votre modèle. L'avantage d'un modèle mixte est qu'il vous permet de sélectionner une structure de covariance moins extrêmes résultant dans un modèle plus puissant. Dans le JMP Guide de montage des modèles linéaires, la section Exemples supplémentaires du chapitre Modèles mixtes offre plus d'informations sur surajustement ou underfitting un modèle et l'utilisation des différentes structures de covariance dans la personnalité du modèle mixte.
Dans les tests univariés pour intra-sujet des effets et les interactions impliquant ces effets, les hypothèses ci-dessus sur la matrice de covariance sont nécessaires pour les probabilités fournies par les tests F ordinaire être correct. Si ces hypothèses ne sont pas remplies (si le test de sphéricité est rejeté), les probabilités alors pour les tests F univariée ajustés (données dans le rapport à plusieurs variables) ou les tests F à plusieurs variables doivent être utilisés. En raison de ces hypothèses, l'approche univariée doit être envisagée que lorsque la condition de sphéricité est remplie. Pour plus d'informations sur ce test et d'autres idées discutées dans cet exemple, voir le JMP livre de montage des modèles linéaires, qui se trouve en sélectionnant Aide ► Livres ► Modèles linéaires de montage (Chapitre 3: Rapport standard des moindres carrés et options, Chapitre 7: Modèles mixtes et Chapitre 8: Modèles de réponse multivariées)
Cole et Grizzle, J.E. (1966), "Seize chiens," Biométrie, 22: 810
Ces exemples de fichiers et des exemples de code sont fournis par SAS Institute Inc. « tout comme » sans garantie d'aucune sorte, expresse ou implicite, y compris mais sans s'y limiter, les garanties implicites de qualité marchande et d'adéquation à un usage particulier. Les bénéficiaires reconnaissent et conviennent que l'Institut SAS ne saurait être tenue responsable de tout dommage que ce soit résultant de leur utilisation de ce matériel. En outre, SAS Institute fournira aucun soutien pour les matières contenues dans les présentes.
Ces exemples de fichiers et des exemples de code sont fournis par SAS Institute Inc. « tout comme » sans garantie d'aucune sorte, expresse ou implicite, y compris mais sans s'y limiter, les garanties implicites de qualité marchande et d'adéquation à un usage particulier. Les bénéficiaires reconnaissent et conviennent que l'Institut SAS ne saurait être tenue responsable de tout dommage que ce soit résultant de leur utilisation de ce matériel. En outre, SAS Institute fournira aucun soutien pour les matières contenues dans les présentes.