Mengukur beberapa pasien lebih dari satu kali

10

Saya sedang melakukan studi klinis di mana saya menentukan ukuran antropometrik pasien. Saya tahu bagaimana menangani situasi di mana saya memiliki satu ukuran per pasien: Saya membuat model, di mana saya memiliki sampel acak dari beberapa kepadatan , dan saya melakukan hal-hal yang biasa: tulis kemungkinan sampel, memperkirakan parameter, menentukan set kepercayaan, dan menguji hipotesis, atau bahkan melakukan beberapa analisis Bayes jika bos tidak menonton. ;-) $X_1,\dots,X_n$ $f_\theta$

Masalah saya adalah bahwa untuk beberapa pasien kami memiliki lebih dari satu ukuran, karena kami percaya bahwa itu adalah ide yang baik untuk memiliki lebih dari satu peneliti yang menangani alat ukur, ketika ini mungkin (beberapa kali kami hanya memiliki satu peneliti yang bekerja di klinik) ). Oleh karena itu, untuk beberapa pasien kami memiliki satu ukuran yang dibuat oleh satu peneliti, untuk unit sampel lain kami memiliki dua ukuran yang dilakukan oleh dua peneliti yang berbeda, dan seterusnya. Ukuran yang dimaksud adalah ketebalan lipatan kulit tertentu.

Pertanyaan saya: model statistik seperti apa yang memadai untuk masalah saya?

inference

— Wronski
sumber

4

Kecuali jika pertanyaan terkait dengan peneliti tertentu , dan Anda memiliki informasi untuk menentukan siapa yang melakukan pengukuran, Anda mungkin melihat model campuran, dengan efek acak 'peneliti' (yang mungkin menjelaskan hal-hal seperti seorang peneliti yang memiliki bias konsisten, misalnya).

— Glen_b -Reinstate Monica

1

Sudahkah Anda informasi tentang peneliti mana yang melakukan pengukuran? Apakah Anda berpikir bahwa beberapa penelitian melakukan kesalahan sistematis? Atau beberapa peneliti mengukur lebih tepatnya daripada yang lain?

— user31264

1

Dalam praktiknya, apakah Anda benar-benar menemukan perbedaan besar di antara para peneliti yang mengukur pasien yang sama pada waktu yang bersamaan?

— EdM

Sama seperti @Glen_b saya pikir Anda harus melihat pada model efek campuran, mungkin ini bisa menjadi permulaan: stats.stackexchange.com/questions/166434/…

1

Lihatlah kertas karya Brennan (1992) tentang Generalizability Theory atau bukunya, juga berjudul "Generalizability Theory" (2010, Springer). Brennan menulis tentang GT menggunakan ANOVA, tetapi model campuran dapat digunakan dengan cara yang sama - dan banyak yang akan menganggapnya sebagai metode yang lebih baru.

Anda bisa memikirkan model campuran untuk data klasifikasi silang (mis. Raudenbush, 1993 ). Katakanlah Anda memiliki pasien diukur dengan peneliti, dan pengukuran Anda dilambangkan sebagai untuk dan . Dalam hal ini, pengukuran memiliki efek kedua pasien dan peneliti, dengan pasien "bersarang" di peneliti (beberapa tindakan untuk satu pasien) dan peneliti "bersarang" pada pasien (pengukuran ganda untuk setiap pasien), sehingga $N$ $R$ $X_{ij}$ $i = 1,...,N$ $j = 1,...,R$

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

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

di mana adalah intersep tetap (jika data tidak terpusat), adalah efek acak pasien (intersep acak) dan adalah efek acak peneliti, sedangkan adalah istilah kesalahan. Dalam lme4 ini akan menjadi $\beta_0$ $b_i$ $b_j$ $\varepsilon_{ij}$

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

Anda bisa memperluas pendekatan ini dengan menggunakan sebagai variabel independen atau mendefinisikan model Bayesian hierarkis di mana Anda memasukkan kedua sumber variabilitas. $X$

— Tim
sumber

0

Saya akan menyodok ini meskipun saya hanya bisa memberikan model matematika, karena saya sedikit kutu buku matematika, tetapi bukan ahli statistik.

Filter Kalman dapat menangani estimasi keadaan dengan input ganda dan informasi yang hilang.

Jika saya harus menunjukkan ini kepada para insinyur, mereka akan meminta saya untuk membuat plot variabilitas langkah-langkah antara teknisi pengukuran untuk menunjukkan tidak ada variabilitas antar operator. Mereka akan memperlakukan dua pengukuran sebagai pasangan. Orang-orang hebat dalam hal ini. Jika variabilitas operator-ke-operator dapat diabaikan maka saya dapat memformulasikan data saya dengan masing-masing sebagai satu baris.

[... pengukuran_1 ... hasil]
[... pengukuran_2 ... hasil]

jika hanya satu teknisi yang melakukan pengukuran maka hanya akan ada satu baris data

jika tidak, saya ingin memiliki indikasi operator dalam data

[... pengukuran operatorname ... hasil]

Jika Anda dapat menandai perbedaan yang dimiliki masing-masing operator pada pengukuran yang sama, maka Anda dapat memperhitungkannya dalam model Anda. Jika Anda tidak menyediakan indikator operator, ketika itu merupakan sumber variabilitas yang signifikan ... itu bisa menjadi masalah.

Model data menginformasikan model matematika. Saya pikir GLM memiliki hasil yang baik di bidang ini. http://www.uta.edu/faculty/sawasthi/Statistics/stglm.html

— EngrStudent
sumber

0

Saya juga datang pada pertanyaan ini dari bidang yang berbeda. Bagaimanapun, kedengarannya bagi saya seperti tujuan memiliki banyak orang menggunakan alat pengukur untuk dapat menjelaskan kesalahan pengukuran? Jika saya benar dalam pemahaman saya tentang apa yang Anda coba lakukan, maka itu terdengar seperti kasus untuk pemodelan persamaan struktural (SEM), yang akan memungkinkan Anda untuk menjalankan model Anda bebas dari kesalahan pengukuran. SEM dapat menjelaskan data yang hilang jika Anda menggunakan teknik estimasi FIML, Anda harus membuat asumsi biasa tentang data yang hilang (yaitu, setidaknya hilang secara acak). Model SEM semakin sering digunakan dalam pengaturan RCT, jadi saya tidak berpikir akan jarang menggunakan teknik ini. Pertanyaan saya adalah: apakah Anda memiliki informasi yang cukup untuk membuat model SEM yang dapat diidentifikasi dengan benar?

— bfoste01
sumber