Misurare alcuni dei pazienti più di una volta

10

Sto conducendo uno studio clinico in cui determino una misura antropometrica dei pazienti. So come gestire la situazione in cui ho una misura per paziente: faccio un modello, dove ho un campione casuale da una certa densità e faccio le solite cose: scrivo la probabilità di il campione, stimare i parametri, determinare i set di confidenza e testare l'ipotesi, o anche fare qualche analisi bayesiana se il boss non sta guardando. ;-) $X_1,\dots,X_n$ $f_\theta$

Il mio problema è che per alcuni pazienti abbiamo più di una misura, perché crediamo che sia una buona idea avere più di un ricercatore che maneggia il dispositivo di misurazione, quando ciò è possibile (alcune volte abbiamo un solo ricercatore che lavora in clinica ). Pertanto, per alcuni pazienti abbiamo una misura fatta da un ricercatore, per altre unità campione abbiamo due misure fatte da due diversi ricercatori e così via. La misura in questione è lo spessore di una specifica piega della pelle.

La mia domanda: quale tipo di modello statistico è adeguato al mio problema?

inference

— Wronski
fonte

4

A meno che le domande di interesse non si riferiscano a specifici ricercatori e che tu abbia le informazioni per dire chi ha effettuato le misurazioni, potresti guardare modelli misti, con un effetto casuale "ricercatore" (che potrebbe spiegare cose come un ricercatore che ha piccole ma parzialità coerenti, per esempio).

— Glen_b -Restate Monica

1

Hai le informazioni di quale ricercatore ha effettuato quale misurazione? Pensi che alcune ricerche commettano errori sistematici? O che alcuni ricercatori misurano più precisamente di altri?

— user31264

1

In pratica, trovi davvero grandi differenze tra i ricercatori che misurano lo stesso paziente nello stesso momento?

— EdM,

Proprio come @Glen_b penso che dovresti guardare i modelli di effetti misti, forse questo può essere un inizio: stats.stackexchange.com/questions/166434/…

1

Dai un'occhiata al documento di Brennan (1992) su Generalizability Theory o al suo libro, intitolato anche "Generalizability Theory" (2010, Springer). Brennan scrive di GT usando ANOVA, ma i modelli misti potrebbero essere usati allo stesso modo - e molti li considererebbero un metodo più recente.

Potresti pensare a un modello misto per dati classificati tra loro (ad esempio Raudenbush, 1993 ). Diciamo che avete pazienti misurati da ricercatori, e la vostra misura è indicata come per e . In questo caso, la misurazione ha effetti sia sui pazienti che sui ricercatori, con i pazienti "nidificati" nei ricercatori (misure multiple per un singolo paziente) e i ricercatori "nidificati" nei pazienti (misure multiple per ciascun paziente), quindi $N$ $R$ $X_{ij}$ $i = 1,...,N$ $j = 1,...,R$

X_{io j} = β_{0} + B_{io} + B_{j} + ε_{io j}

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

$\beta_0$ $b_i$ $b_j$ $\varepsilon_{ij}$

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

$X$

— Tim
fonte

0

Lo prenderò in considerazione anche se posso fornire solo un modello matematico, dato che sono un po 'un secchione in matematica, ma non uno statistico.

I filtri Kalman sono in grado di gestire la stima dello stato con input multipli e informazioni mancanti.

Se dovessi mostrarlo agli ingegneri, mi richiederebbero di fare diagrammi di variabilità delle misure tra i tecnici di misurazione per dimostrare che non c'è variabilità da operatore a operatore. Tratteranno due misure come accoppiate. La gente delle statistiche è brava in questo. Se la variabilità da operatore a operatore fosse trascurabile, allora potrei formulare i miei dati con ciascuno come un'unica riga.

[... misurazione_1 ... risultato]
[... misurazione_2 ... risultato]

se solo un tecnico effettuasse la misurazione ci sarebbe solo una linea di dati

altrimenti, vorrei avere un'indicazione dell'operatore all'interno dei dati

[... misurazione nome operatore ... risultato]

Se riesci a caratterizzare la differenza che ogni operatore ha sulla stessa misurazione, allora puoi spiegarla nel tuo modello. Se non fornisci un indicatore di operatore, quando si tratta di una fonte significativa di variabilità ... questo potrebbe essere un problema.

Il modello di dati informa il modello matematico. Penso che i GLM abbiano avuto buoni risultati in questi settori. http://www.uta.edu/faculty/sawasthi/Statistics/stglm.html

— EngrStudent
fonte

0

Vengo anche a questa domanda da un altro campo. Indipendentemente da ciò, mi sembra che lo scopo di avere più persone che usano il dispositivo di misurazione sia quello di essere in grado di spiegare l'errore di misurazione? Se sono corretto nella mia comprensione di ciò che stai cercando di fare, allora sembra un caso per la modellazione di equazioni strutturali (SEM), che ti permetterebbe di eseguire il tuo modello senza errori di misurazione. SEM può tenere conto dei dati mancanti se si utilizzano tecniche di stima FIML, è necessario fare le solite ipotesi sui dati mancanti (ovvero, almeno mancanti a caso). I modelli SEM sono stati sempre più utilizzati nelle impostazioni RCT, quindi non credo che sarebbe raro usare questa tecnica. La domanda che vorrei porre è: hai abbastanza informazioni per creare un modello SEM correttamente identificabile?

— bfoste01
fonte