Modelo mixto para mediciones múltiples en un estudio cruzado (SAS)

Question

Actualmente estoy tratando de analizar los datos de un estudio cruzado. En resumen, el estudio tiene un diseño cruzado, en el que cada participante toma parte en dos sesiones separadas, en las que juega a un juego. Este juego mide repetidamente algunas variables diferentes, llamemos a una tiempo de reacción . Durante una sesión, se mide el tiempo de reacción 30 veces. Antes de una de las sesiones, se da a cada participante un placebo o un tratamiento, y la mitad de los participantes recibe el placebo la primera vez, y la otra mitad recibe el tratamiento la primera vez. En consecuencia, cada participante tiene 60 puntos de datos, de los cuales 30 están bajo placebo y 30 bajo tratamiento.

Soy consciente de que los estudios cruzados tienen sus propias consideraciones, pero en este momento estoy atascado con la forma de ajustar adecuadamente un modelo mixto para estos datos. Según entiendo, tengo que decirle al modelo lo que es un sujeto (es decir, que las 60 mediciones de cada participante están correlacionadas), pero también se me ha señalado que las 30 mediciones de cada sesión también están correlacionadas, y tienen que definirse como tales en el modelo, antes de que intente analizar el efecto del tratamiento dentro del sujeto.

¿Puede alguien verificar esto, y posiblemente decirme cuál es la mejor manera de hacerlo? Yo uso SAS, y mi código se ve así en este momento:

proc mixed data=test;
  class ID Session Drug MeasurePoint Sequence;
  model ReactionTime=Drug Sequence Session MeasurePoint / ddfm=kenwardroger;
  random int / subject=ID;
  repeated MeasurePoint / subject=ID*Drug type=ar(1);
  lsmeans Drug / diff;
run;

Sequence se refiere a la secuencia de fármaco / placebo, y MeasurePoint al orden de las mediciones durante cada sesión. No me interesa demasiado el efecto del tiempo en cada sesión.

Además, ¿la matriz de covarianza ar(1) es adecuada?

Answer 1

En primer lugar, tiene múltiples observaciones por sujeto y por período. Como usted señala correctamente, hay que tener en cuenta la correlación dentro de la asignatura, entre las sesiones y dentro de los periodos. Hay varias formas de expresar esto en SAS, por ejemplo, "ID de sesión repetida".

Generalmente, cuando no se sabe nada más, no es aconsejable hacer suposiciones muy fuertes sobre la estructura de correlación en el tiempo (por ejemplo, tipo=AR(1) o tipo=CS o simplemente tener un efecto de sujeto aleatorio en el intercepto). En mi experiencia, AR(1) tiende a tratar las observaciones más alejadas como si fueran independientes y se acaba fingiendo que se tiene varias veces el número real de sujetos (independientes), cuando no es así. Esto puede llevar a un exceso de confianza sustancial en los resultados del análisis con intervalos de confianza que tienen una cobertura muy pobre. Si tiene suficientes datos, normalmente se recomienda utilizar una matriz de covarianza no estructurada. Una forma de especificar esto es escribir "sesión de medición repetida / sujeto=ID tipo=UN@CS;", cuando sólo hay dos sesiones.

¿Se pueden identificar los efectos del fármaco, de la sesión y de la secuencia a la vez en un cruce de 2 periodos, 2 tratamientos y 2 secuencias? ¿No es el fármaco una combinación lineal de la sesión y la secuencia?