Questions tagged «repeated-measures»

当在同一单元（例如，受试者）上收集多个测量值时，将出现重复测量数据。将此标签与[anova]标签一起用于RM-ANOVA。

3
对数转换的预测变量和/或响应的解释
我想知道是否仅对因变量（无论是因变量还是自变量）还是仅对自变量进行了对数转换，在解释上是否有所不同。 考虑以下情况 log(DV) = Intercept + B1*IV + Error 我可以将IV解释为百分比增长，但是当我拥有 log(DV) = Intercept + B1*log(IV) + Error 或当我有 DV = Intercept + B1*log(IV) + Error ？
46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 
2
使用lmer进行重复测量的线性混合效应模型
编辑2：我本来以为我需要对一个因素进行重复测量的两因素方差分析，但现在我认为线性混合效应模型将对我的数据更好。我想我几乎知道需要做什么，但仍然有些困惑。 我需要分析的实验如下： 将受试者分配到几个治疗组之一 在多天的时间对每个受试者进行测量 所以： 受试者嵌套在治疗中 治疗越过一天 （每个受试者仅被分配一种治疗，并且每天对每个受试者进行测量） 我的数据集包含以下信息： 主题=阻止因素（随机因素） 天=主题或重复测量因子之内（固定因子） 治疗=主观因素之间（固定因素） Obs =测得（因变量） 更新 好，所以我去找统计学家，但他是SAS用户。他认为该模型应为： 治疗+天+受试者（治疗）+天*受试者（治疗） 显然，他的表示法与R语法不同，但是该模型应考虑以下因素： 治疗（固定） 日（固定） 治疗*天互动 受试者嵌套在治疗内（随机） 当天与“治疗中的受试者”交叉（随机） 那么，这是使用正确的语法吗？ m4 <- lmer(Obs~Treatment*Day + (1+Treatment/Subject) + (1+Day*Treatment/Subject), mydata) 我特别担心当天与“治疗中的受试者”部分是否正确。是否有任何熟悉SAS的人，或者对他们了解模型中正在发生的事情有信心的人，能够评论我对R语法的可悲尝试是否匹配？ 这是我以前建立模型和编写语法的尝试（在答案和评论中讨论）： m1 <- lmer(Obs ~ Treatment * Day + (1 | Subject), mydata) 我该如何处理对象嵌套在治疗中的事实？如何m1从不同： m2 <- lmer(Obs …
8
在测试自变量对变化得分的影响时，将基线测量值作为控制变量是否有效？
我正在尝试运行OLS回归： DV：一年中体重的变化（初始体重-最终体重） IV：您是否运动。 但是，较轻的人较重的人每运动一次会减轻更多的体重，这似乎是合理的。因此，我想包含一个控制变量： CV：初始起始重量。 但是，现在都使用初始权重来计算因变量AND作为控制变量。 这个可以吗？这是否违反了OLS的假设？
3
手动计算逻辑回归95％置信区间与在R中使用confint（）函数之间为什么会有区别？
亲爱的大家-我注意到我无法解释的怪事，可以吗？总之：在logistic回归模型中计算置信区间的手动方法和R函数confint()得出不同的结果。 我一直在研究Hosmer＆Lemeshow的Applied Logistic回归（第二版）。在第3章中，有一个计算比值比和95％置信区间的示例。使用R，我可以轻松地重现模型： Call: glm(formula = dataset$CHD ~ as.factor(dataset$dich.age), family = "binomial") Deviance Residuals: Min 1Q Median 3Q Max -1.734 -0.847 -0.847 0.709 1.549 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.8408 0.2551 -3.296 0.00098 *** as.factor(dataset$dich.age)1 2.0935 0.5285 3.961 7.46e-05 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ …
34 r  regression  logistic  confidence-interval  profile-likelihood  correlation  mcmc  error  mixture  measurement  data-augmentation  r  logistic  goodness-of-fit  r  time-series  exponential  descriptive-statistics  average  expected-value  data-visualization  anova  teaching  hypothesis-testing  multivariate-analysis  r  r  mixed-model  clustering  categorical-data  unsupervised-learning  r  logistic  anova  binomial  estimation  variance  expected-value  r  r  anova  mixed-model  multiple-comparisons  repeated-measures  project-management  r  poisson-distribution  control-chart  project-management  regression  residuals  r  distributions  data-visualization  r  unbiased-estimator  kurtosis  expected-value  regression  spss  meta-analysis  r  censoring  regression  classification  data-mining  mixture 
5
建模纵向数据，其中时间的影响在个人之间以功能形式变化
内容： 想象一下，您进行了一项纵向研究，该研究每周对200名参与者进行一次为期20周的因变量（DV）测量。尽管我对一般情况感兴趣，但我考虑的典型DV包括录用后的工作表现或临床心理干预后的各种福祉测量。 我知道可以使用多层建模来建模时间与DV之间的关系。您还可以允许系数（例如截距，斜率等）在个体之间变化，并估计参与者的特定值。但是，如果在目视检查数据时发现时间与DV之间的关系为以下任意一种情况，该怎么办： 功能形式不同（也许有些是线性的，有些是指数的，或者有些不连续） 误差方差不同（某些人从一个时间点到下一个时间点更不稳定） 问题： 什么是处理这样的数据建模的好方法？ 具体来说，哪种方法擅长识别不同类型的关系，并根据其类型对个人进行分类？ R中有哪些实现可用于此类分析？ 是否有关于如何执行此操作的参考：教科书或实际应用程序？
1
混合效果模型上的多重比较
我正在尝试使用混合效果模型分析一些数据。我收集的数据代表了一些不同基因型的年轻动物随时间的体重。 我正在使用此处提出的方法：https : //gribblelab.wordpress.com/2009/03/09/repeated-measures-anova-using-r/ 特别是我正在使用解决方案2 所以我有类似 require(nlme) model <- lme(weight ~ time * Genotype, random = ~1|Animal/time, data=weights) av <- anova(model) 现在，我想进行一些比较。使用multcomp我可以做到： require(multcomp) comp.geno <- glht(model, linfct=mcp(Genotype="Tukey")) print(summary(comp.geno)) 而且，当然，我可以随着时间做同样的事情。 我有两个问题： 如何mcp查看时间与基因型之间的相互作用？ 我跑步时glht收到以下警告： covariate interactions found -- default contrast might be inappropriate 这是什么意思？我可以放心地忽略它吗？还是应该避免这种情况？ 编辑： 我发现此PDF指出： 由于在这种情况下不可能自动确定感兴趣的参数，因此默认情况下，multcomp中的mcp（）将仅针对主要效果生成比较，而忽略协变量和交互作用。从版本1.1-2开始，可以指定对交互项进行平均，并分别使用参数interact_average = TRUE和covariate_average = TRUE进行协变量，而早于1.0-0的版本将对交互项进行自动平均。但是，我们建议用户手动编写所需的对比集。每当对默认的对比度量有疑问时，都应该这样做，这通常发生在具有更高阶交互项的模型中。关于这个问题的进一步讨论和例子，我们参考许（1996），第7章，和塞尔（1971），第7.3章。 我没有那些书，但是也许有人在吗？
1
从lmer模型计算效果的可重复性
我刚刚碰到了这篇论文，该论文描述了如何通过混合效应建模来计算测量的可重复性（又称可靠性，又称类内相关性）。R代码为： #fit the model fit = lmer(dv~(1|unit),data=my_data) #obtain the variance estimates vc = VarCorr(fit) residual_var = attr(vc,'sc')^2 intercept_var = attr(vc$id,'stddev')[1]^2 #compute the unadjusted repeatability R = intercept_var/(intercept_var+residual_var) #compute n0, the repeatability adjustment n = as.data.frame(table(my_data$unit)) k = nrow(n) N = sum(n$Freq) n0 = (N-(sum(n$Freq^2)/N))/(k-1) #compute the adjusted repeatability Rn = …
28 mixed-model  reliability  intraclass-correlation  repeatability  spss  factor-analysis  survey  modeling  cross-validation  error  curve-fitting  mediation  correlation  clustering  sampling  machine-learning  probability  classification  metric  r  project-management  optimization  svm  python  dataset  quality-control  checking  clustering  distributions  anova  factor-analysis  exponential  poisson-distribution  generalized-linear-model  deviance  machine-learning  k-nearest-neighbour  r  hypothesis-testing  t-test  r  variance  levenes-test  bayesian  software  bayesian-network  regression  repeated-measures  least-squares  change-scores  variance  chi-squared  variance  nonlinear-regression  regression-coefficients  multiple-comparisons  p-value  r  statistical-significance  excel  sampling  sample  r  distributions  interpretation  goodness-of-fit  normality-assumption  probability  self-study  distributions  references  theory  time-series  clustering  econometrics  binomial  hypothesis-testing  variance  t-test  paired-comparisons  statistical-significance  ab-test  r  references  hypothesis-testing  t-test  normality-assumption  wilcoxon-mann-whitney  central-limit-theorem  t-test  data-visualization  interactive-visualization  goodness-of-fit 
5
在生物学，心理学和医学领域使用lmer进行混合模型分析的示例报告？
由于通常的共识似乎是lmer()在R中使用混合模型而不是经典的ANOVA（由于经常提到的原因，例如不平衡设计，交叉随机效应等），我想尝试一下我的数据。但是，我担心我将这种方法“卖”给我的主管（后者希望最终进行p值的经典分析）或以后再将其“出售”给审稿人。 您能推荐一些使用混合模型或lmer()针对不同设计（例如重复测量）或针对领域生物学，心理学，医学的多个学科内部和学科之间设计的不同设计的发表文章的好例子吗？
3
MANOVA和重复测量方差分析之间的区别？
在某些因素（例如实验条件）下重复测量ANOVA与MANOVA有什么区别？ 尤其是我偶然发现的一个网站提出，MANOVA不能像重复测量ANOVA那样对球形度做出相同的假设，对吗？ 如果是这样，为什么不总是使用MANOVA？ 我试图对多个DV进行重复测量方差分析，什么是合适的方法？
2
对于R中的重复测量方差分析，为什么lme和aov返回不同的结果？
我正在尝试从使用ez软件包过渡到lme重复测量方差分析（因为我希望能够在上使用自定义对比lme）。 遵循此博客文章的建议，我能够同时使用和设置相同的模型aov（ez当需要时也是如此）lme。然而，尽管在给出的例子中那个帖子的˚F -值不完美之间同意aov和lme（我检查，他们这样做），这是不是我的数据的情况。尽管F值相似，但它们并不相同。 aov返回1.3399的f值，lme返回1.36264。我愿意接受aov结果为“正确” 的结果，因为这也是SPSS返回的结果（这对我的字段/主管很重要）。 问题： 如果有人能解释为什么存在这种差异以及如何使用我lme来提供可靠的结果，那就太好了。（如果它给出“正确的”结果，我也愿意使用lmer而不是lme用于这种类型的东西。但是，到目前为止，我还没有使用它。） 解决此问题后，我想进行对比分析。尤其是我对合并因子的前两个级别（即c("MP", "MT")）并将其与因子的第三个级别（即）进行对比的兴趣"AC"。此外，测试因子的第三级与第四级（即"AC"vs "DA"）。 数据： tau.base <- structure(list(id = structure(c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, …
2
将固定效果嵌套在一个随机效果中是否有意义，或者如何用R（aov和lmer）编码重复的度量？
我一直在通过@conjugateprior浏览lm / lmer R公式的概述，并被以下条目弄糊涂了： 现在假设A是随机的，但B是固定的，并且B嵌套在A内。 aov(Y ~ B + Error(A/B), data=d) 下面lmer(Y ~ B + (1 | A:B), data=d) 为相同情况提供了类似的混合模型公式。 我不太明白这是什么意思。在将受试者分为几组的实验中，我们将在固定因子（组）中嵌套一个随机因子（对象）。但是，如何将固定因子嵌套在随机因子中呢？有固定的嵌套在随机主题内的东西吗？可能吗 如果不可能，那么这些R公式有意义吗？ 提到该概述部分基于个性项目的页面，该页面基于R中的重复度量的本教程，而该页面本身基于R进行ANOVA。以下是重复测量方差分析的示例： aov(Recall ~ Valence + Error(Subject/Valence), data.ex3) 在这里，向受试者显示不同价的单词（三个级别的因子），并测量其回忆时间。每个主题都有三个价位的单词。我没有看到此设计中嵌套的任何内容（按照此处的最佳答案，它看起来像是交叉的），因此在这种情况下，我会天真的认为Error(Subject)或(1 | Subject)应该使用适当的随机术语。在Subject/Valence“筑巢”（？）是混淆。 请注意，我确实知道这Valence是一个内部因素。但我认为这不是科目中的“嵌套”因素（因为所有科目都经历的所有三个级别Valence）。 更新。我正在探索有关在R中编码重复测量方差分析的CV问题。 在此，以下内容用于固定的内部/重复测量值A和随机值subject： summary(aov(Y ~ A + Error(subject/A), data = d)) anova(lme(Y ~ A, random = ~1|subject, data …
1
表明对5个主题进行100次测量比对100个主题进行5次测量提供的信息少得多
在一次会议上，我无意中听到以下声明： 5个主题的100次测量所提供的信息比100个主题的5次测量要少得多。 显然这是对的，但是我想知道如何用数学方式证明这一点……我认为可以使用线性混合模型。但是，我对用于估算它们的数学知识不甚了解（我只lmer4为LMM和bmrsGLMM 运行：）您能给我展示一个真实的例子吗？与R中的某些代码相比，我更希望提供一些公式的答案。请随意假设一个简单的设置，例如具有正态分布的随机截距和斜率的线性混合模型。 PS不涉及LMM的基于数学的答案也是可以的。我之所以想到LMM，是因为它们在我看来是一种自然的工具，可以解释为什么来自更多学科的较少量度要比来自少数学科的更多量度更好，但是我很可能错了。
5
主题测试后的特设课程？
在主题测试中进行事后调查的首选方法是什么？我已经看过使用Tukey的HSD的已发表工作，但是对Keppel和Maxwell＆Delaney的评论表明，这些设计中可能会违反球形性，因此误差项不正确，并且这种方法存在问题。Maxwell＆Delaney在他们的书中提供了解决该问题的方法，但我从未在任何统计数据包中看到过这样做的方法。他们提供的方法合适吗？对多个配对样本t检验进行Bonferroni或Sidak校正是否合理？可接受的答案将提供通用的R代码，该代码可以对包装中的ezANOVA功能所产生的简单，多路和混合设计进行事后分析ez，并提供适当的引文，可能会引起审阅者的注意。
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.