Desequilibrada de efectos mixtos ANOVA para medidas repetidas

Question

Tengo los datos de los pacientes tratados con 2 diferentes tipos de tratamientos durante la cirugía. Necesito para analizar su efecto sobre la frecuencia cardiaca. La medición de la frecuencia cardíaca es cada 15 minutos.

Dado que la cirugía de duración puede ser diferente para cada paciente, cada paciente puede tener entre 7 y 10 las medidas de ritmo cardíaco. Así un desequilibrio en el diseño debe ser utilizado. Yo estoy haciendo mi análisis mediante R. Y han estado utilizando el ez paquete para hacer medidas repetidas ANOVA de efectos mixtos. Pero no sé cómo analizar desequilibrada de datos. Alguien puede ayudar?

Sugerencias sobre cómo analizar los datos también son bienvenidos.

Actualización:
Como se ha sugerido, me ajustaron los datos de uso de la lmer función y se encontró que el mejor modelo es:

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

con el siguiente resultado:

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

Ahora estoy perdido en la interpretación de los resultados. Estoy en lo cierto al concluir que los dos tratamientos se diferenciaron en que afectan la frecuencia cardíaca? Lo que hace la correlación de -504 entre treat0 y treat1 significa?

Answer 1

El lme/lmer funciones de la nlme/lme4 paquetes son capaces de lidiar con la desequilibrada diseños. Usted debe asegurarse de que el tiempo es una variable numérica. También probable que desee probar los diferentes tipos de curvas así. El código se verá algo como esto:

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)

Para obtener modelos cuadráticos en el uso de la fórmula "del corazón.tasa de ~ tratamiento * tiempo * I(tiempo^2) + (efectos aleatorios)".

Actualización:
En este caso, donde el tratamiento es de una entre-sujetos factor, yo me quedaría con las especificaciones del modelo anterior. Yo no creo que el término de (0+tratamiento|tiempo) es uno de los que quiere incluir en el modelo, para mí no tiene sentido en este caso para tratar el tiempo como de efectos aleatorios de la agrupación de la variable.

Pero para responder a su pregunta de "¿qué hace la correlación -0.504 media entre treat0 y treat1" este es el coeficiente de correlación entre los dos tratamientos en los que cada vez que la agrupación es un par de valores. Esto tiene más sentido si la identificación es un factor de la agrupación y tratamiento dentro de los sujetos variable. Entonces usted tiene una estimación de la correlación entre las intersecciones de las dos condiciones.

Antes de hacer conclusiones sobre el modelo, ajustarla con lmera.2 e incluyen REML=F., a Continuación, cargar el "languageR" paquete y ejecutar:

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

A continuación, usted puede obtener los valores de p, pero por lo que se ve es, probablemente hay un efecto significativo de tiempo y un efecto significativo del tratamiento.