Bazı hastaların birden fazla kez ölçülmesi

Hastaların antropometrik ölçüsünü belirlediğim klinik bir çalışma yürütüyorum. Hasta başına tek bir ölçüme sahip olduğum durumun nasıl ele alınacağını biliyorum: Rastgele bir örnek bazı yoğunluk bir model yapıyorum ve olağan şeyleri yapıyorum: örnek, parametreleri tahmin et, güven kümelerini belirle ve hipotezi test et, hatta patron izlemiyorsa Bayes analizi yap. ;-)$X_1,\dots,X_n$$f_\theta$

Benim sorunum, bazı hastalar için birden fazla önlemimiz olduğu için, bu mümkün olduğunda, ölçüm cihazını kullanan birden fazla araştırmacının olmasının iyi bir fikir olduğuna inanıyoruz (bazen klinikte çalışan sadece bir araştırmacımız var. ). Bu nedenle, bazı hastalar için bir araştırmacı tarafından yapılan bir ölçümümüz vardır, diğer örnek üniteler için iki farklı araştırmacı tarafından yapılan iki ölçümümüz vardır, vb. Söz konusu önlem, belirli bir deri katının kalınlığıdır.

Sorum: Benim sorunum için hangi istatistiksel model yeterli?

Brennan'ın (1992) Genelleştirilebilirlik Teorisi veya "Genelleştirilebilirlik Teorisi" (2010, Springer) adlı kitabına bir göz atın . Brennan GT hakkında ANOVA kullanarak yazıyor, ancak karışık modeller aynı şekilde kullanılabilir - ve birçoğu bunları daha yeni bir yöntem olarak kabul eder.

Çapraz sınıflandırılmış veriler için karışık bir model düşünebilirsiniz (örneğin, Raudenbush, 1993 ). Söyle var$N$ tarafından ölçülen hastalar $R$ araştırmacılar ve ölçümünüz $X_{ij}$ için $i = 1,...,N$ ve $j = 1,...,R$. Bu durumda, ölçüm hem hastaların hem de araştırmacıların etkilerine sahiptir, hastalar araştırmacılarda "iç içe geçmiş" (tek bir hasta için birden fazla ölçüm) ve araştırmacılar hastalarda "iç içe geçmiş" (her hasta için çoklu ölçüm),

nerede $\beta_0$ sabit bir engeldir (veriler ortalanmamışsa), $b_i$ hastanın rastgele etkisi (rastgele kesişme) ve $b_j$ bir araştırmacının rastgele etkisi, $\varepsilon_{ij}$bir hata terimidir. Lme4'te bu olurdu

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

bu yaklaşımı $X$ bağımsız değişken olarak veya her iki değişkenlik kaynağını da içerdiğiniz hiyerarşik bir Bayes modeli tanımlayın.

Biraz matematik nerd olduğumdan, ancak bir istatistikçi olmadığımdan, sadece matematiksel bir model sağlayabilsem de, bu konuda bir şaka yapacağım.

Kalman Filtreleri çoklu girişler ve eksik bilgilerle durum tahminini yapabilir.

Bunu mühendislere göstermek zorunda kalsaydım, operatörlerden operatöre değişkenlik olmadığını göstermek için ölçüm teknisyenleri arasında değişkenlik planları yapmamı gerektirirlerdi. İki ölçümü eşleştirilmiş olarak ele alacaklardı. İstatistikler bu konuda iyi. Operatör-operatör değişkenliği önemsiz olsaydı, verilerimi her biri tek bir satır olarak formüle edebilirdim.

• [... ölçüm_1 ... sonuç]
• [... ölçüm_2 ... sonuç]

ölçümü yalnızca bir teknisyen yapsaydı, sadece bir veri satırı olurdu

Aksi takdirde, veriler içinde bir operatör belirtisi olmasını isterim

• [... operatör adı ölçümü ... sonuç]

Her bir operatörün aynı ölçümde sahip olduğu farkı karakterize edebiliyorsanız, bunu modelinizde hesaba katabilirsiniz. Operatörün bir göstergesini sağlamazsanız, önemli bir değişkenlik kaynağı olduğunda ... bu bir sorun olabilir.

Veri modeli, matematik modeli bilgilendirir. Bence GLM'lerin bu alanlarda iyi sonuçları oldu. http://www.uta.edu/faculty/sawasthi/Statistics/stglm.html

Ben de bu soruya farklı bir alandan geliyorum. Ne olursa olsun, bana birden fazla insanın ölçüm cihazını kullanma amacının ölçüm hatasını açıklayabilmesi gibi geliyor mu? Yapmaya çalıştığınız şeyi anladığımda doğru olursam, modelinizi ölçüm hatasız olarak çalıştırmanıza izin verecek olan yapısal denklem modellemesi (SEM) için bir durum gibi görünüyor. FEML tahmin tekniklerini kullanırsanız, SEM eksik verileri açıklayabilir, eksik verilerle ilgili olağan varsayımlarda bulunmanız gerekir (en azından rastgele eksik). SEM modelleri RCT ayarlarında giderek daha fazla kullanılmaktadır, bu yüzden bu tekniği kullanmanın nadir olacağını düşünmüyorum. Sahip olduğum soru şudur: Doğru tanımlanabilir bir SEM modeli yapmak için yeterli bilginiz var mı?