Tekrarlanan ölçümler için dengesiz karışık etki ANOVA

Ameliyat sırasında 2 farklı tedaviyle tedavi edilen hastalardan verilerim var. Kalp atış hızı üzerindeki etkisini analiz etmem gerekiyor. Kalp atış hızı ölçümü her 15 dakikada bir yapılır.

Ameliyat uzunluğunun her hasta için farklı olabileceği göz önüne alındığında, her hasta 7 ila 10 arasında kalp atış hızı ölçümüne sahip olabilir. Bu yüzden dengesiz bir tasarım kullanılmalıdır. Analizlerimi R kullanarak yapıyorum ve ez paket ANOVA'nın tekrarlanan ölçümlerini yapmak için ez paketini kullanıyorum. Fakat dengesiz verilerin nasıl analiz edileceğini bilmiyorum. Biri yardım edebilir mi?

Verilerin nasıl analiz edileceğine dair öneriler de memnuniyetle karşılanmaktadır.

Güncelleme:
Önerildiği gibi, lmerfonksiyonu kullanarak verileri taktım ve en iyi modelin:

heart.rate~ time + treatment + (1|id) + (0+time|id) + (0+treatment|time)

aşağıdaki sonuçla:

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

Şimdi sonucu yorumlamada kayboldum. İki tedavinin kalp atış hızını etkilemede farklı olduğu sonucuna varmak konusunda haklı mıyım? Tedavi0 ve tedavi1 arasındaki -504 korelasyonu ne anlama gelir?

Nlme / lme4 paketlerindeki lme / lmer fonksiyonları, dengesiz tasarımlarla başa çıkabilir. Zamanın sayısal bir değişken olduğundan emin olmalısınız. Muhtemelen farklı tür eğrileri de test etmek istersiniz. Kod şöyle görünecektir:

library(lme4)
#plot data with a plot per person including a regression line for each
xyplot(heart.rate ~ time|id, groups=treatment, type= c("p", "r"), data=heart)

#Mixed effects modelling
#variation in intercept by participant
lmera.1 <- lmer(heart.rate ~ treatment * time + (1|id), data=heart)
#variation in intercept and slope without correlation between the two
lmera.2 <- lmer(heart.rate ~ treatment * time + (1|id) + (0+time|id), data=heart)
#As lmera.1 but with correlation between slope and intercept
lmera.3 <- lmer(heart.rate ~ treatment * time + (1+time|id), data=heart)

#Determine which random effects structure fits the data best
anova(lmera.1, lmera.2, lmera.3)

İkinci dereceden modelleri almak için "heart.rate ~ treatment * time * I (time ^ 2) + (random effect)" formülünü kullanın.

Güncelleme:
Tedavinin denekler arasında bir faktör olduğu bu durumda, yukarıdaki model şartnamelerine bağlı kalacağım. Terimin (0 + tedavi | zaman) modele dahil olmasını istediğiniz bir şey olduğunu düşünmüyorum, bana göre bu örnekte zamanı rastgele etkiler gruplama değişkeni olarak görmek mantıklı değil.

Ancak " -0.504 arasındaki korelasyonun tedavi0 ve tedavi1 arasındaki anlamı nedir? " İd, gruplama faktörü ve tedavi bir denek içi değişken ise bu daha mantıklıdır. Sonra iki koşulun kesişmesi arasındaki korelasyonu tahmin edersiniz.

Model hakkında herhangi bir sonuç çıkarmadan önce, lmera.2 ile yeniden takın ve REML = F'yi ekleyin. Sonra "languageR" paketini yükleyin ve çalıştırın:

plmera.2<-pvals.fnc(lmera.2)
plmera.2

Sonra p-değerleri alabilirsiniz, ancak görünüşe göre, muhtemelen zamanın önemli bir etkisi ve tedavinin önemli bir etkisi vardır.