ANOVA appariée à mesures répétées ou modèle mixte?

On m'a demandé d'analyser certaines données d'un essai clinique à la recherche de deux méthodes de mesure de la pression artérielle. J'ai des données de 50 sujets, chacun avec entre 2 et 57 mesures utilisant chaque méthode.

Je me demande comment procéder.

Évidemment, j'ai besoin d'une solution qui tiendra compte du fait que la mesure de la pression artérielle est appariée (deux méthodes mesurées simultanément) et également une covariable variant dans le temps (avec un nombre variable d'observations par patient) ainsi que pour tenir compte des intra- et inter- variablilité du patient.

Je pensais en quelque sorte à transformer cela en ANOVA en mesures répétées, mais je pense que cela pourrait avoir besoin d'une approche de modèle mixte.

J'apprécierais tout conseil utile que vous pourriez offrir.

Je suis un débutant R complet mais très excité de développer des compétences et j'ai une expérience modérée dans Stata, donc je pourrais toujours me rabattre sur cela.

Je ne pense pas que vous puissiez facilement faire ce que vous voulez faire avec RM-ANOVA car le nombre de répétitions n'est pas le même pour tous les sujets. Exécuter des modèles à effets mixtes est très facile en R. En fait, en investissant un peu de temps pour apprendre les principes de base et les commandes, cela vous ouvrira de nombreuses possibilités. Je trouve également la modélisation mixte beaucoup plus simple à utiliser et plus flexible et je n'ai presque jamais besoin de faire directement RM-ANOVA. Enfin, considérez qu'avec la modélisation mixte, vous pouvez également prendre en compte la structure de covariance des résidus (RM-ANOVA suppose simplement une structure diagonale) qui peut être importante pour de nombreuses applications.

Il existe deux packages principaux pour la modélisation mixte linéaire dans R: nlmeet lme4. Les lme4packages sont les plus modernes, ce qui est idéal pour les grands ensembles de données et également pour les cas où vous traitez des données en cluster. Nlmeest l'ancien package et est principalement déconseillé en faveur de lme4. Cependant, pour les plans de mesures répétées, c'est encore mieux que lme4puisque cela ne nlmepermet que de modéliser la structure de covariance des résidus. La syntaxe de base de nlmeest très simple. Par exemple:

fit.1 <- lme(dv ~ x + t, random=~1|subject, cor=corCompSymm())

Ici, je modélise la relation entre une variable dépendante dvet une xcovariable liée au facteur et au temps t. Subjectest un effet aléatoire et j'ai utilisé une structure de symétrie composée pour la covariance des résidus. Maintenant, vous pouvez facilement obtenir les infâmes valeurs de p en:

anova(fit.1)

Enfin, je peux vous suggérer d'en savoir plus sur nlme en utilisant son guide de référence définitif, les modèles d'effets mixtes en S et S-Plus . Une autre bonne référence pour les débutants est les modèles mixtes linéaires - un guide pratique utilisant un logiciel statistique qui compile de nombreux exemples de différentes applications de modélisation mixte avec du code en R, SAS, SPSS, etc.

Si vous recherchez RM-ANOVA avec un modèle mixte en utilisant R. Vous pouvez vérifier ceci http://blog.gribblelab.org/2009/03/09/repeated-measures-anova-using-r/ Il y a d'excellents exemples pour montrer comment utiliser un modèle mixte pour accomplir la RM-ANOVA.

D'après mon expérience, SAS est un meilleur outil pour gérer le modèle mixte. Si vous utilisez SAS, vous pouvez consulter l'aide SAS "Proc Mixed" pour RM-ANOVA.