La medición de algunos de los pacientes más de una vez

Question

Estoy llevando a cabo un estudio clínico donde puedo determinar una medida antropométrica de los pacientes. Sé cómo manejar la situación en la que tengo una medida por paciente: puedo hacer un modelo, donde tengo una muestra aleatoria $X_1,\dots,X_n$ a partir de cierta densidad $f_\theta$, y hago lo de siempre: escribir la probabilidad de la muestra, estimación de parámetros, determinar la confianza de los conjuntos, y prueba de hipótesis, o incluso hacer algunos análisis Bayesiano si el jefe no está mirando. ;-)

Mi problema es que para algunos pacientes que tienen más de una medida, porque creemos que es una buena idea tener más de un investigador de la manipulación del aparato de medición, cuando esto es posible (algunas veces sólo tenemos un investigador que trabaja en la clínica). Por lo tanto, para algunos pacientes que tienen una medida hecha por uno de los investigadores, para otras unidades de la muestra tenemos dos medidas realizadas por dos investigadores, y así sucesivamente. La medida en cuestión es el espesor de un determinado pliegue de piel.

Mi pregunta: que tipo de modelo estadístico es la adecuada para mi problema?

Answer 1

Echa un vistazo al papel de Brennan (1992) sobre la posibilidad de generalizar la Teoría o en su libro, también titulado "la Generalización de la Teoría" (2010, Springer). Brennan escribe acerca de GT con ANOVA, pero los modelos mixtos podría ser utilizado de la misma manera - y que muchos consideran como un método más reciente.

Se podría pensar en un modelo mixto para la cruz de clasificados de datos (por ejemplo, Raudenbush, 1993). Dicen que usted tiene $N$ de los pacientes medido por el $R$ investigadores, y su medición se denota como $X_{ij}$$i = 1,...,N$$j = 1,...,R$. En este caso, la medida tiene tanto los efectos de los pacientes y los investigadores, con los pacientes "anidado" en los investigadores (medidas múltiples para un solo paciente) y los investigadores "anidado" en los pacientes (múltiples mediciones para cada paciente), por lo que

$$ X_{ij} = \beta_0 + b_i + b_j + \varepsilon_{ij} $$

where $\beta_0$ is an fixed intercept (if the data is not centered), $b_i$ is patient random effect (random intercept) and $b_j$ is a researcher random effect, while $\varepsilon_{ij}$ is an error term. In lme4 this would be

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

you could extend this approach to using $$ X como una variable independiente o definir un modelo Bayesiano jerárquico donde se incluyen tanto las fuentes de variabilidad.

Answer 2

Me voy a tomar un meter en esto a pesar de que yo sólo puede proporcionar un modelo matemático, como yo soy un poco nerd de las matemáticas, pero no es un estadista.

Filtros Kalman puede manejar la estimación del estado con múltiples entradas y la falta de información.

Si tuviera que mostrar esto a los ingenieros, que requeriría de mí para hacer la variabilidad de las parcelas de medidas entre la medición de-los técnicos muestran que no hay ningún operador a operador de la variabilidad. Se trataría de dos mediciones como asociado. Estadísticas de la gente son buenos en esto. Si el operador a operador de variabilidad fue insignificante, entonces yo podría formular mis datos con cada uno como una sola línea.

• [... measurement_1 resultado...]
• [... measurement_2 resultado...]

si sólo un técnico se hizo la medición de una sola línea de datos

de lo contrario, me gustaría tener una indicación de que el operador dentro de los datos

• [... operatorname de medición de resultado...]

Si usted puede caracterizar la diferencia de cada operador tiene en la misma medida, entonces usted puede tener en cuenta en el modelo. Si no se proporciona un indicador de operador, cuando es una fuente importante de variabilidad ... eso podría ser un problema.

El modelo de datos de informa al modelo matemático. Creo GLM han tenido buenos resultados en estas áreas. http://www.uta.edu/faculty/sawasthi/Statistics/stglm.html

Answer 3

También estoy viniendo en esta pregunta de un campo diferente. A pesar de todo, a mí me parece que el propósito de tener varias personas utilizan el dispositivo de medición es ser capaces de dar cuenta de un error de medición? Si estoy en lo correcto en mi entendimiento de lo que estamos tratando de hacer, suena como un caso para el modelado de ecuaciones estructurales (SEM), que le permitirá ejecutar su modelo libre de errores de medición. SEM puede dar cuenta de que faltan datos si utiliza FIML de las técnicas de estimación, usted tiene que hacer la habitual suposiciones acerca de la falta de datos (es decir, al menos faltar al azar). SEM modelos se han utilizado cada vez más en el RCT configuración, así que creo que no sería raro que el uso de esta técnica. La pregunta que me gustaría tener es: ¿tiene suficiente información para realizar una adecuada identificación personal SEM modelo?