Professional Documents
Culture Documents
Mesures Repetides
Mesures Repetides
Departament dEstadstica
Introducci a les mesures repetides
Departament dEstadstica
44
Exemples
Departament dEstadstica
45
Dissenys de mesures repetides
Departament dEstadstica
46
Mesures repetides: model 1WS
La situaci ms simple en que apareixen mesures repetides
correspon a la generalitzaci a k grups del test t de Student para
dades aparellades on:
sobtenen observacions de r individus.
cada individu sobserva a b nivells dun factor B (i.e., el temps)
Departament dEstadstica
47
Correlaci de les dades en el 1WS
Quan tractem un disseny de mesures repetides com un disseny en
blocs completament aleatoritzats (RCBD) amb bloc aleatori
sassumeix implcitament la segent matriu de correlacions entre
les observacions de un mateix individu:
1 "La correlaci entre les
I
1 observacions del
mateix individus s la
1 mateixa"
Departament dEstadstica
48
Exemple 3: cintica dun producte
Objectiu: analitzar la evoluci de un producte actiu mitjanant tres
mesures al llarg del temps.
Metodologia:
saplica el producte a 12 voluntaris amb una mateixa patologia.
Departament dEstadstica
49
Codificaci amb R (ezAnova i aov)
3 columnes: dos factors + la variable observada,
el codi de lindividu
el codi del temps
la variable resposta
PRODUCTO 3
VOL t0 t2h t4h
1 39,4 65,3 68,6
2 33,5 53,2 54,3
3 27,1 42,3 41,3
4 30,9 52,3 45,7
5 32,2 57,4 53,5
6 26,6 42,5 36,7
7 28,5 37,5 36,4
8 37,7 56,0 55,3
9 35,7 50,3 46,4
10 30,6 43,2 38,3
11 24,4 39,9 37,3
12 38,8 56,1 52,6
Departament dEstadstica
50
Model estructural del URMD
El model s:
Departament dEstadstica
51
Contrastos i premisses model 1WS
el contrast ms immediat s el del factor tractament (la mesura
repetida):
H0 : 1 2 b 0
Departament dEstadstica
52
Exemple 3 com a model RCDB
si tractem lexemple com un model de blocs aleatoritzats obtenim la
segent taula.
Departament dEstadstica
53
El problema de lesfericitat
un cop realitzat el test de Mauchly, la bibliografia especifica per
aquesta situaci experimental dues possibilitats:
Departament dEstadstica
54
Correccions: com afecten al p-valor
qualsevol de las 3 correccions s'efectua multiplicant els graus de
llibertat del denominador y del numerador de la distribuci F per un
factor .
Departament dEstadstica
55
Procediment de Collier
Departament dEstadstica
56
El model 1WS amb R
Podem escollir entre tres procediments
ezAnova de {ez}: especialista en mesures repetides. User-friendly,
reporta directament les correccions. Amb models ms complexos
que 1WS t linconvenient de no calcular el test de Levene.
aov: mtode estndard dels models lineals que hem utilitzat fins
ara. En el model 1WS la taula Anova s directe, per amb models
ms complexos obliga a programar sentncies addicionals per tal
de corregir les F. 2on inconvenient: no disposa per a cap model
de les correccions de G-G ni de H-F.
Anova de {car}: a mig cam entre els dos. Cal programar alguna
sentncia addicional per definir els parmetres i s ms complicat
que ezAnova. Indica les correccions automticament. El paquet
{car} disposa del test de Levene.
Departament dEstadstica
57
Prototip de script 1WS amb ezAnova
Suposem que es vol utilitzar ezAnova. La taula de dades cont les
columnes indiv, temps, mesura com la transparncia anterior:
Departament dEstadstica
58
Llistat amb ezAnova {ez}
Departament dEstadstica
59
Comparacions mltiples
Departament dEstadstica
60
2. Mesures repetidas:
model 1WS + 1BS
Departament dEstadstica
61
Mesures repetides: model 1WS+1BS
el 2 disseny de mesures repetides per ordre de complexitat modela
la segent situaci experimental:
Departament dEstadstica
62
Exemple 4: 2 tractaments al llarg del temps
Metodologia:
s aplica un producte actiu en un panel de 12 voluntaris.
Departament dEstadstica
63
Exemple 4: valors observats
Departament dEstadstica
64
Exemple 4: identificaci dels factors
Departament dEstadstica
65
Codificaci del 1WS + 1BS
4 columnes: 3 factors + variable resposta
codi del tractament
codi de lindividu (compte segons mtode!)
codi del temps
variable resposta
PLACEBO
VOL t0 t2h t4h
1 34,7 34,8 36,9
2 38,7 44,3 44,6
3 28,7 32,1 32,4
4 30,8 32,4 33,8
5 29,9 36,3 34,3
6 27,6 27,4 27,6
7 24,9 28,0 26,0
8 37,7 38,1 35,6
9 31,0 33,2 33,0
10 25,4 25,3 28,1
11 24,8 26,0 29,6
12 38,5 40,0 40,4
Departament dEstadstica
66
Model estructural 1WS + 1BS
El model lineal s:
yijk i p j ( i ) k ik ijk
= mitjana general
i = efecte tractament i
k = efecte temps k
pj(i) = efecte individu j dins del tractament i
ik = interacci tractament i temps k
ijk = error aleatori
Departament dEstadstica
67
Contrastos dhiptesi en 1WS + 1BS
es poden contrastar les hiptesis que no hi ha efecte de:
yijk i p j ( i ) k ik ijk H 0 : 1 2 q 0
H 0 : 11 12 pq 0
Departament dEstadstica
68
Taula ANOVA del model 1WS + 1BS
amb un disseny balancejat, amb lestructura niada i de factors fixos
i aleatoris descrita en la diapositiva anterior, els denominadors de les
F son:
Font Suma Graus Quadrats
F
de variaci de quadrats de llibertat mitjans
Tractament SSA a-1 MSA MSA/MSI
Individu SSI a (r -1) MSI
Mesura repetida SSB b-1 MSB MSB/MSE
Interacci SSAB (a - 1)(b - 1) MSAB MSAB/MSE
Error SSE ab (r - 1) MSE
Departament dEstadstica
70
Prototip script 1 WS + 1 BS (1)
si utilitzem ezAnova la taula de dades requereix una columna (indiv2)
amb els codis de individu no reiniciats a 1 al canviar el tractament
#1. Lectura dades
myData <- read.table('Exemple 4.4.csv',sep=";",header=TRUE, dec=",", na.strings=' ');
#2. Carrega llibreria
library(ez)
#3. Definici factors
myData[,2] <- as.factor(myData[,2]) # factor tractament = BS
myData[,3] <- as.factor(myData[,3]) # factor temps = WS
myData[,5] <- as.factor(myData[,5]) # individu. 5na col, no reinicia codis
#4. Model amb individu niat a tractament
ezANOVA(data=myData,within=.(temps),
wid=.(indiv2),
between=.(tract),
dv=.(mesura),
detailed=TRUE,
type=3)
Departament dEstadstica
71
Llistat 1WS + 1BS amb ezAnova {ez}
Departament dEstadstica
72
Premisses del model 1WS + 1BS
Departament dEstadstica
73
Test de Levene amb Anova {car}
es repeteix el test a cada nivell del factor BS. Continuant les
sentncies que ens falten executar en el script dexemple
#1. Lectura dades
myData <- read.table('Exemple 4.4.csv',sep=";",header=TRUE, dec=",", na.strings=' ');
# etc ....
#5. Carrega llibreria
library(car)
# definir el subconjunt de valor en el temps 1 i realitzar el test
dataT <- myData[myData$temps==1,]
leveneTest(mesura~tract,dataT)
# definir el subconjunt de valor en el temps 2 i realitzar el test
dataT <- myData[myData$temps==2,]
leveneTest(mesura~tract,dataT)
# definir el subconjunt de valor en el temps 3 i realitzar el test
dataT <- myData[myData$temps==3,]
leveneTest(mesura~tract,dataT)
Departament dEstadstica
74
Test de Levene amb Anova {car} (2)
Departament dEstadstica
75
Variants de lexperiment 4
Quin model seria ladient si els 12 individus reben 1er un dels dos
tractaments i, transcorregut un perode de latncia duns mesos, el
segon tractament? Podem considerar que el tractament s
aleatoritzat, s a dir, la meitat dels individus comena pel tractament
1 i laltre meitat pel 2.