Mesures repetides

Departament dEstadstica
Introducci a les mesures repetides

Les mesures repetides sorgeixen quan es prenen

mltiples observacions de la variable dependent per
exemple al llarg del temps-
sobre les unitats experimentals (normalment subjectes o
pacients)
possiblement assignats a un de diversos tractaments .
En un disseny de mesures repetides hi pot haver
tanta variaci de condicions com en altre dissenys
Sovint, les mesures repetides inclouen una o ms mesures
abans I una o ms mesures desprs d'un tractament.

Departament dEstadstica
44
Exemples

Departament dEstadstica
45
 Dissenys de mesures repetides

Aquells dissenys experimentals en que, apart de les combinacions

de condicions experimentals com les que hem vist fins ara, es
realitzen mltiples mesures sobre el mateix individu s'anomenen
dissenys de mesures repetides.
En realitat s'haurien d'anomenar de "mltiples mesures" ja que, de fet no
repetim la mesura en les mateixes condicions sin que mesures
diferents corresponen a nivells diferents d'una de les condicions
Per exemple dues mesures preses abans i desprs d'un tractament)
Apareix una nova font de variabilitat, "within subjects", que, sovint
passa a ser una part important de la variabilitat total.
Apareix una nova dificultat: aquestes mesures repetides poden
provocar que es vulneri una premissa bsica del Anova que hem
estat estudiant: la independncia de les observacions

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)

La modelitzaci daquest experiment pot abordar-se a nivell

estadstic des de dos punts de vista bsics:

de forma univariant, considerant els individus blocs: s el

disseny de mesures repetides unifactorial . Aquesta mesura
dins dels individus es denota per abreujar WS (within subject)
de forma multivariant, considerant les mesures repetides de un
individu com un vector i realitzant un anlisi multivariant de la
varincia (MANOVA). En aquest curs no tractem aquest model.

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"

Aquesta propietat sanomena simetria composta. s un cas

particular de la condici de Huynh-Feldt (H-F). La condici H-F s
tamb anomenada desfericitat.
Aquesta condici necessria i suficient per que la taula del RCBD sigui vlida si
es vol tractar el model 1WS com un RCDB ordinari (factor individu fa el paper de
bloc aleatori)
Caldr comprovar si es satisf la condici H-F. Freqentment en la prctica no es
compleix i caldr introduir correccions a la taula.

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.

sestudia levoluci de un parmetre al llarg de 3 mesures en el

temps. Aquestes 3 dades per individu, probablement
correlacionades son les mesures repetides.

sha aleatoritzat la lectura de les dades a cada temps dels 12

individus de lestudi.

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:

yij p i j ij i 1,, r; j 1,, b;

= mitjana general ij = error aleatori

pi = efecte individu j= efecte tractament-temps

per tant idntic al model de blocs aleatoritzats, on el individu (que s

un factor aleatori) fa el paper de bloc.

resulta crucial la condici d'esfericitat: noms ser vlida la taula

Anova del model de blocs si es verifica la condici H-F.

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

usualment no es contrasta el factor individu.

las premisses son:

com s habitual, independncia i normalitat dels residus. La

homocedasticitat no te ara sentit, noms hi ha 1 grup.

la condici H-F es contrasta amb el test desfericitat de Mauchly.

no cal comprovar la homocedasticitat amb el test de Levene

(noms hi ha un grup).

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:

aproximaci RCDB: el model Anova ordinari que tenim llistat en

la diapositiva anterior. Exigeix la condici H-F.

correccions de Greenhouse-Geisser, de Huynh-Feldt i test

conservador. Corregeixen els graus de llibertat de la distribuci
F per tal de conservar la validesa del model RCDB quan no es
compleix la condici de Huynh-Feldt.

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 .

noms es corregeixen les F dels factors que son mesures

repetides (temps en lexemple) i tamb les seves interaccions (si el
model en cont).

en el test conservador s molt simple: els gdl es multipliquen pel

factor 1/(b-1). on b son els nivells de la mesura repetida.

en canvi, per les correccions de Greenhouse-Geisser i de Huynh-

Feldt son ms complexes de calcular, intervenint la matriu de
covarincies de les mesures repetides.

Departament dEstadstica
55
 Procediment de Collier

Collier recomana el segent algorisme per a qualsevol model de

mesures repetides univariant:

1. si el test F ordinari (model blocs=individus) no s significatiu amb el

valor de escollit, acceptar H0

2. si el test F s significatiu sense ajustar els g.d.l., verificar si tamb

s significatiu amb el test conservador. Cas de ser-ho, acceptar H1

3. en els casos intermedis, si la mostra s petita, escollir la correcci

de Huynh i Feldt. Per a mostres grans, H-F y G-G son equivalents.

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:

#1. Lectura dades en una taula csv

myData <- read.table('Exemple 4.3.csv',sep=";",header=TRUE, dec=",", na.strings=' ');
#2. Carrega llibreria
library(ez)
#3. Definici factors
myData[,1] <- as.factor(myData[,1])
myData[,2] <- as.factor(myData[,2])
#4. Model amb temps com a mesura repetida
ezANOVA(data=myData,within=.(temps),
wid=.(indiv),
between=NULL,
dv=.(mesura),
detailed=T,
type=3 )

Departament dEstadstica
58
 Llistat amb ezAnova {ez}

observem la significaci del test de Mauchly, la important correcci

amb G-G o H-F. Ara b, no canvia la significaci malgrat augmentar
el p-valor 3 ordres de magnitud.
en el llistat no apareix lefecte associat a individu

Departament dEstadstica
59
 Comparacions mltiples

si lAnova ha resultat significatiu, es pot plantejar entre quins nivells

de la mesura repetida concretament es presenten diferencies
significatives

no hi ha una tcnica especfica, usualment es realitzen test t de

dades aparellades per cada parella possible de nivells de la mesura
repetida i sajusta el nivell via Bonferroni

Alternativament, es pot utilitzar el mtode Holm amb R, o qualsevol

altre ajust implementat en el mtode p.adjust, tots aquests temes
cauen foren de lmbit daquest curs

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:

sha subministrat un tractament (a nivells) a r individus diferents

per tractament.
shan obtingut b observacions de cada individu al llarg de tots els
nivells dun segon factor B (usualment, el temps): s un disseny
de mesures repetides bifactorial, ms concretament, 1 factor
WS + 1 factor BS.
esquemticament t1 t2 tb
Trat 1 Grup1
Trat 2 Grup 2

Trat a Grup a

Departament dEstadstica
62
Exemple 4: 2 tractaments al llarg del temps

Objectiu: analitzar levoluci de un producte actiu realitzant tres

mesures al llarg del temps.

Metodologia:
s aplica un producte actiu en un panel de 12 voluntaris.

saplica placebo en un panel de 12 voluntaris diferents.

saleatoritza els voluntaris que reben cada tractament

Departament dEstadstica
63
 Exemple 4: valors observats

Els valors obtinguts son

PLACEBO PRODUCTE
VOL t0 t2h t4h VOL t0 t2h t4h
1 34,7 34,8 36,9 13 39,4 65,3 68,6
2 38,7 44,3 44,6 14 33,5 53,2 54,3
3 28,7 32,1 32,4 15 27,1 42,3 41,3
4 30,8 32,4 33,8 16 30,9 52,3 45,7
5 29,9 36,3 34,3 17 32,2 57,4 53,5
6 27,6 27,4 27,6 18 26,6 42,5 36,7
7 24,9 28,0 26,0 19 28,5 37,5 36,4
8 37,7 38,1 35,6 20 37,7 56,0 55,3
9 31,0 33,2 33,0 21 35,7 50,3 46,4
10 25,4 25,3 28,1 22 30,6 43,2 38,3
11 24,8 26,0 29,6 23 24,4 39,9 37,3
12 38,5 40,0 40,4 24 38,8 56,1 52,6

els 3 valors per individu son les mesures repetides (1 factor

WS=within subjects factor en la bibliografia) y disposem de dos grups
(1 factor BS=between subjects factor)

Departament dEstadstica
64
Exemple 4: identificaci dels factors

Si considerem les fonts de variaci de lexperiment podem establir el

segent llistat:

el factor tractament: producte vs placebo, dos nivells, efecte fix.

Factor inter-subjecte: 1 BS.

els individus de lestudi: niats al tractament, 12 nivells, factor

aleatori.

les mesures al llarg del temps: creuades respecte als dos

anteriors, 3 nivells, efecte fix. Factor intra-subjecte. 1WS.

la resta de possibles fonts de variaci no estan controlades. La

seva variabilitat quedar absorbida pel terme derror del model

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

amb i = 1, , a; j = 1,, r; k = 1,b

= 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:

del factor intra-subjecte (el temps)

del factor entre-subjectes (el tractament)
de la interacci dambds
H 0 : 1 2 p 0

yijk i p j ( i ) k ik ijk H 0 : 1 2 q 0
H 0 : 11 12 pq 0

usualment no es contrasta el factor individu

Hi ha dos contrastos auxiliars importants relatius a les premisses:

sobre la condici de Huynh-Feldt
sobre la estructura homognia de les covarincies dels a grups

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

el terme derror inclou la interacci temps x individu, que no s

possible discriminar (noms hi ha 1 observaci en aquesta condici)
el factor individu no es contrasta, fa el paper de bloc capturant la
variabilitat i lestructura de correlaci prpia del model 1 WS + 1 BS
Departament dEstadstica
69
 Model 1 WS + 1 BS amb R

com abans, es pot escollir entre tres procediments

ezAnova de {ez}. Compta amb els codis del individu, en aquest

cas no es reinicien a cada nivell del tractament. s el que
utilitzarem en aquest curs.

aov: cal programar sentncies addicionals per corregir les F. Si

es vol utilitzar, compta de nou amb els codis del individu, en
aquest cas s es reinicien a cada nivell del tractament.

Anova de {car}. Cal reordenar les columnes (alternativament,

disposar les mesures repetides en columnes diferents). La
principal avantatge s que disposem del test de Levene per
contrastar la homogenetat de varincies.

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}

observem de nou la significaci del test de Mauchly i la important

correcci amb G-G o H-F. Ara b, com en lexemple 1WS, no canvien
les significacions malgrat el canvi dordres de magnitud del pv.

Departament dEstadstica
72
 Premisses del model 1WS + 1BS

independncia dels individus. Garantida mitjanant un bon

mostratge i una aleatoritzaci adient en tots els punts crtics de
lexperiment.

normalitat dels residus. sexplora/contrasta amb R.

homocedasticitat: es comprova amb el test de Levene. Atenci:

calen com a mnim b+1 individus! Implementat en {car} de R.

condici H-F: es contrasta amb el test desfericitat de Mauchly. Si no

saccepta, cal utilitzar els p-valors corregits.

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.

Suposem de nou el disseny original de lexperiment 4, per totes les

dades del placebo es varen obtenir fa 4 anys, en canvi les del
tractament shan obtingut enguany. Quin s el model adient per
analitzar aquesta segona variant de lexperiment 4?

Suposem de nou el disseny original de lexperiment 4, per a ms

per cada individu i a cada temps sobtenen tres mesures, sempre
mesurades amb el mateix aparell de lectura. Hi haur doncs el triple
de dades que en la taula original. Quin s el model adient per
analitzar aquesta tercera variant?
Departament dEstadstica
76