Đo lường một số bệnh nhân nhiều lần

10

Tôi đang tiến hành một nghiên cứu lâm sàng trong đó tôi xác định một phép đo nhân trắc học của bệnh nhân. Tôi biết cách xử lý tình huống tôi có một số đo cho mỗi bệnh nhân: Tôi tạo một mô hình, trong đó tôi có một mẫu ngẫu nhiên từ một số mật độ và tôi làm công cụ thông thường: viết khả năng mẫu, tham số ước tính, xác định bộ tin cậy và giả thuyết kiểm tra hoặc thậm chí thực hiện một số phân tích Bayes nếu ông chủ không xem. ;-) $X_1,\dots,X_n$ $f_\theta$

Vấn đề của tôi là đối với một số bệnh nhân, chúng tôi có nhiều hơn một biện pháp, bởi vì chúng tôi tin rằng nên có nhiều hơn một nhà nghiên cứu xử lý thiết bị đo, khi điều này là có thể (đôi khi chúng tôi chỉ có một nhà nghiên cứu làm việc tại phòng khám ). Do đó, đối với một số bệnh nhân, chúng tôi có một biện pháp được thực hiện bởi một nhà nghiên cứu, đối với các đơn vị mẫu khác, chúng tôi có hai biện pháp được thực hiện bởi hai nhà nghiên cứu khác nhau, v.v. Các biện pháp trong câu hỏi là độ dày của một nếp gấp da cụ thể.

Câu hỏi của tôi: loại mô hình thống kê nào là đủ cho vấn đề của tôi?

inference

— Wronski
nguồn

4

Trừ khi các câu hỏi quan tâm liên quan đến các nhà nghiên cứu cụ thể và bạn có thông tin để nói ai thực hiện phép đo nào, bạn có thể đang xem các mô hình hỗn hợp, với hiệu ứng ngẫu nhiên của 'nhà nghiên cứu' (có thể giải thích cho những thứ như nhà nghiên cứu nhỏ nhưng thiên vị nhất quán, ví dụ).

— Glen_b -Reinstate Monica

1

Bạn có biết thông tin của nhà nghiên cứu nào đã thực hiện phép đo nào không? Bạn có nghĩ rằng một số nghiên cứu làm lỗi hệ thống? Hoặc một số nhà nghiên cứu đo lường chính xác hơn những người khác?

— user31264

1

Trong thực tế, bạn có thực sự tìm thấy sự khác biệt lớn giữa các nhà nghiên cứu đo cùng một bệnh nhân cùng một lúc không?

— EdM

Giống như @Glen_b Tôi nghĩ bạn nên xem các mô hình hiệu ứng hỗn hợp, có thể đây có thể là một sự khởi đầu: stats.stackexchange.com/questions/166434/ Lỗi

1

Hãy xem bài viết của Brennan (1992) về Lý thuyết tổng quát hoặc cuốn sách của ông, cũng có tựa đề "Lý thuyết tổng quát" (2010, Springer). Brennan viết về GT bằng ANOVA, nhưng các mô hình hỗn hợp có thể được sử dụng theo cùng một cách - và nhiều người sẽ coi chúng như một phương pháp gần đây hơn.

Bạn có thể nghĩ về một mô hình hỗn hợp cho dữ liệu được phân loại chéo (ví dụ Raudenbush, 1993 ). Giả sử bạn có bệnh nhân được đo bằng các nhà nghiên cứu, và đo lường của bạn được ký hiệu là cho và . Trong trường hợp này, phép đo có cả tác dụng của bệnh nhân và nhà nghiên cứu, với bệnh nhân "lồng" vào nhà nghiên cứu (nhiều biện pháp cho một bệnh nhân) và nhà nghiên cứu "lồng" vào bệnh nhân (nhiều phép đo cho mỗi bệnh nhân), vì vậy $N$ $R$ $X_{ij}$ $i = 1,...,N$ $j = 1,...,R$

X_{i j} = β_{0} + b_{i} + b_{j} + ε_{i j}

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

Trong đó là một chặn cố định (nếu dữ liệu không được căn giữa), là hiệu ứng ngẫu nhiên của bệnh nhân (chặn ngẫu nhiên) và là hiệu ứng ngẫu nhiên của nhà nghiên cứu, trong khi là một thuật ngữ lỗi. Trong lme4, điều này sẽ là $\beta_0$ $b_i$ $b_j$ $\varepsilon_{ij}$

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

bạn có thể mở rộng cách tiếp cận này để sử dụng làm biến độc lập hoặc xác định mô hình Bayes phân cấp trong đó bạn bao gồm cả hai nguồn biến đổi. $X$

— Tim
nguồn

0

Tôi sẽ chọc vào điều này mặc dù tôi chỉ có thể cung cấp một mô hình toán học, vì tôi là một người mọt sách toán học, nhưng không phải là một nhà thống kê.

Bộ lọc Kalman có thể xử lý ước tính trạng thái với nhiều thông tin đầu vào và thiếu thông tin.

Nếu tôi phải trình bày điều này với các kỹ sư, họ sẽ yêu cầu tôi đưa ra các sơ đồ đo lường thay đổi giữa các kỹ thuật viên đo lường để cho thấy không có biến thiên của người vận hành. Họ sẽ coi hai phép đo là cặp. Thống kê folks là tốt ở đây. Nếu độ biến thiên của toán tử-toán tử là không đáng kể thì tôi có thể định dạng dữ liệu của mình với mỗi dòng dưới dạng một dòng.

[... đo_1 ... kết quả]
[... đo_2 ... kết quả]

Nếu chỉ có một kỹ thuật viên thực hiện phép đo thì sẽ chỉ có một dòng dữ liệu

mặt khác, tôi muốn có một dấu hiệu của toán tử trong dữ liệu

[... phép đo operatorname ... kết quả]

Nếu bạn có thể mô tả sự khác biệt mà mỗi toán tử có trên cùng một phép đo, thì bạn có thể tính đến nó trong mô hình của mình. Nếu bạn không cung cấp một chỉ số của nhà điều hành, thì đó là một nguồn thay đổi đáng kể ... đó có thể là một vấn đề.

Mô hình dữ liệu thông báo cho mô hình toán học. Tôi nghĩ GLM đã có kết quả tốt trong các lĩnh vực này. http://www.uta.edu/facemony/sawasthi/Statistic/stglm.html

— Tiếng Anh
nguồn

0

Tôi cũng đến câu hỏi này từ một lĩnh vực khác. Bất kể, nghe có vẻ như mục đích của việc nhiều người sử dụng thiết bị đo là để có thể tính đến lỗi đo lường? Nếu tôi hiểu đúng về những gì bạn đang cố gắng thực hiện, thì có vẻ như là một trường hợp cho mô hình phương trình cấu trúc (SEM), cho phép bạn chạy mô hình của mình không có lỗi đo lường. SEM có thể tính đến dữ liệu bị thiếu nếu bạn sử dụng các kỹ thuật ước tính FIML, bạn phải đưa ra các giả định thông thường về dữ liệu bị thiếu (nghĩa là ít nhất là bị mất một cách ngẫu nhiên). Các mô hình SEM đã được sử dụng ngày càng nhiều trong cài đặt RCT, vì vậy tôi không nghĩ việc sử dụng kỹ thuật này sẽ không phổ biến. Câu hỏi tôi có là: bạn có đủ thông tin để tạo một mô hình SEM nhận dạng đúng không?

— bfoste01
nguồn