¿Cómo dar cuenta de varias mediciones de una misma persona en cualquiera de los dos-grupo de comparación o de regresión?

Question

Estoy ejecutando el análisis de los datos clínicos obtenidos de pacientes que están correlacionados, ya sea por el tiempo (longitudinalmente) o, más comúnmente, mediciones diferentes de la misma persona al mismo tiempo (por ejemplo. la medición de las variables de cada ojo).

Mi pregunta es acerca de la contabilidad de esta correlación cuando me las estadísticas que se ejecutan, como en la anterior viola la independencia de mis observaciones.

Me han llegado a través de modelos de efectos mixtos que ahora he leído mucho sobre el y creo que eso es lo que necesito. Así que voy a incluir ambos ojos en cualquier regresión, pero agregar a la persona como el de efectos aleatorios.

Sin embargo leer más acerca de este tema, parece que hay "Clúster de la correlación robusta estimaciones de la varianza" (que es popular en STATA creo), y varios temas hablando de "clúster error estándar" o "jerárquica de modelización" que, francamente, son un poco fuera de mi profundidad.

Así que mis preguntas son:

1. Cuando el análisis no observaciones independientes (por ejemplo. dos ojos de una misma persona) en la regresión, es mixto modelo de efectos el camino a seguir? He visto la literatura usando agrupado de la varianza de estimación. Cómo es que diferentes? (Estoy usando R para referencia).

2. Efectos mixtos modelos son todos regresión basado. ¿Cómo voy a ir haciendo el equivalente de t-test o prueba u de mann whitney, mientras que la contabilidad de la no-independencia problema?

Answer 1

1. Cuando el análisis no observaciones independientes (por ejemplo, dos ojos de una misma persona) en la regresión, es mixto modelo de efectos el camino a seguir?

En resumen: Sí.

Los modelos mixtos son capaces de modelar la dependencia o de la estructura introducido en los datos por el diseño del estudio. En el ejemplo de la medición de ambos ojos, puede utilizar un modelo mixto con un efecto aleatorio para el individuo, ya que los individuos tienen dos ojos y así causar la dependencia en los datos dos veces.

Sin embargo, todavía no se puede considerar pseudoreplications para ser verdad replica en un modelo mixto. En muchos casos, usted puede hacer el uso más efectivo de ellos en un modelo mixto, pero el número de verdaderos replica no por arte de magia aumento cambiando el tipo de modelo.

Dicho esto, las medidas repetidas que describes son muy comunes en la investigación médica y pueden ser modelados bien con un modelo mixto.

---

2. Efectos mixtos modelos son todos regresión basado. ¿Cómo voy a ir haciendo el equivalente de t-test o prueba u de mann whitney, mientras que la contabilidad de la no-independencia problema?

Usted puede realizar fácilmente el equivalente a un $t$-prueba con un (mixto) modelo de regresión:

library(lme4)
lmer(y ~ x + (1 | rand))

Donde x es de dos niveles del factor. El primer grupo de x será el intercepto y la importancia de x como variable explicativa significa que hay una diferencia significativa entre los dos grupos.

Como para el test de Mann-Whitney U-test, no estoy seguro de que podría hacer un test basado en los rangos con un modelo mixto. Sin embargo, probablemente no es necesario ya que se puede utilizar un lineales generalizados mixtos modelo (por ejemplo, glmer(..., family = 'poisson')), o de una no-lineal mixto (ver el nlme paquete).

A pesar de la nlme paquete es grande, yo recomendaría que usted no saltar a modelos no lineales demasiado rápido, porque un GLMM es a menudo más fáciles de interpretar y que en muchos casos no es una elección lógica para el teórico de la distribución de los datos de generación de proceso en la investigación clínica.

---

Alternativamente, usted podría mirar en Bayesiano jerárquico modelado, el cual es en realidad muy similares a los modelos mixtos, aunque un poco más difícil si usted no está familiarizado con la estadística Bayesiana.

Existen numerosos modelos que se trate y el modelo de la dependencia o jerarquía. Yo no estoy familiarizado con el "Clúster de la correlación robusta estimaciones de la varianza", pero un modelo mixto con estructura anidada es esencialmente un modelo jerárquico.