Herhaalde metingen
Wat zijn herhaalde metingen?
- tijd
- locatie
- herhalingen tbv nauwkeuriheid
Waarom kun je bij herhaalde metingen geen standaard regressie model gebruiken?
- onafhankelijke metingen
- je wilt trend per patient weten
Welke analyses zijn er voor herhaalde metingen?
- Simpele methodes: meting van slechts een tijdpunt gebruiken, de verandering tussen twee meetpunten gebruiken, een samenvattende maat zoals het gemiddelde of de area under the curve
- Geavanceerde methodes: mixed models, repeated measurements ANOVA, GEE, GLM
area under the curve
Wat is een area under the curve en wanneer kun je die gebruiken?
Hoe bereken ik met SPSS een area under the curve bij herhaalde metingen?
Ik wil graag van een bepaalde meting in de tijd, op verschillende tijdstippen gemeten, de 'area under the curve' bepalen. Ik kom er met SPSS niet uit. Ik moet er nl een stuk of 300 bepalen... heeft u nog een advies?
Je kunt de volgende syntax gebruiken, deze rekent per patient een area under the curve uit. Bovenaan het document staat beschreven hoe je de variabelen in SPSS moet hebben staan.
mixed models
Waarin verschilt een mixed model van een gewoon regressiemodel?
Correlaties/covarianties tussen meetpunten worden meegemodelleerd.
Hoe modelleer ik de covariantiestructuur van mijn mixed model?
Twee opties: 1. direct de covariantie structuur specificeren 2. random effects specificeren
Voor welk soort uitkomstmaten kan ik een mixed model gebruiken?
In SPSS 16 alleen nog voor lineaire uitkomsten. In ander pakketten als R en SAS ook voor bijvoorbeeld dichotome uitkomstmaten.
Voorbeeld: hoe analyseer ik met een mixed model een effect in de tijd?
Ik onderzoek een groep patienten die een operatie hebben ondergaan. We zijn geinteresseerd in de pijnscore (VAS) op verschillende tijdsmomenten na de operatie. De verwachting is (uiteraard) dat de pijn direct na de operatie heviger is dan bijv. 3 mnd daarna (dit klopt ook als je de data in een barplot zet). In eerste instantie heb ik de ANOVA for repeated measures gebruikt om te analyseren of de pijn significant verandert in de tijd. Maar, omdat ik een aantal missing data heb, heb ik ook geprobeerd een mixed models analyse (hier mijn syntax) te doen. Mijn vragen hierover:
1. Heb ik de juiste covariance structure gebruikt? (nl. AR1)
2. Ik heb 'tijd' als fixed effect genomen omdat de afname van de VAS op specifieke tijdsmomenten gebeurde, klopt dat?
3. Hoe geef de resultaten van deze mixed analyse weer?
1. Of AR(1) de beste is is niet zo te zeggen, dat hangt af van de correlatie tussen de tijdsmomenten in jouw data. Je kunt bijvoorbeeld alle mogelijke structuren draaien en dan degene met de kleinste AIC te kiezen (smaller is better zoals er ook onder staat).
2. Tijd is hier inderdaad een fixed variable, want je wilt hier de hypothese toetsen of er een verandering in de tijd is.
3. In de output vind je onder "fixed effects" een B (beta) die aangeeft wat het effect is per tijdspunt (tov het startpunt) en een bijbehorende p-waarde. Dit is de toets die je waarschijnlijk wilt rapporteren. Onder het kopje "mean estimates" vind je de schatting van het model voor de gemiddelde VAS waarde op ieder tijdpunt. Deze mean estimates zijn voor een lezer makkelijker te interpreteren dan de betas.
repeated measurements ANOVA
Wanneer kan ik een repeated measurements ANOVA gebruiken?
- geen / niet te veel missings
- vaste covariantie structuur