Présentation des résultats du modèle linéaire à effets mixtes


12

Les modèles linéaires à effets mixtes ne sont pas couramment utilisés dans mon domaine de la biologie, et je dois signaler le test statistique que j'ai utilisé dans un article que j'essaie d'écrire. Je sais que la prise de conscience de la modélisation multiniveau commence à apparaître dans certains domaines des biosciences ( Une solution à la dépendance: utiliser l'analyse multiniveau pour héberger des données imbriquées ), mais j'essaie toujours d'apprendre à rendre compte de mes résultats!

Ma conception expérimentale, en bref:
* Les sujets ont été assignés à l'un des quatre groupes de traitement
* Les mesures de la variable dépendante ont été prises plusieurs jours après le début du traitement
* La conception est déséquilibrée (nombre inégal de sujets dans les groupes de traitement et manquant mesures pour certains sujets certains jours)
* Le traitement A est la catégorie de référence
* J'ai centré les données au dernier jour de traitement

Je veux savoir si le traitement A (la catégorie de référence) donne des résultats nettement meilleurs que les autres traitements (à la fin du traitement).

J'ai fait mon analyse en R, en utilisant nlme:

mymodel <- lme(dv ~ Treatment*Day, random = ~1|Subject, data = mydf, na.action = na.omit, 
+ correlation = corAR1(form = ~1 |Subject), method = "REML")

Et la sortie (en partie; tronquée par souci de concision) est:

>anova(mymodel)
              numDF denDF  F-value p-value
(Intercept)      1   222 36173.09  <.0001
Treat            3    35    16.61  <.0001
Day              7   222     3.43  0.0016
Treat:Day       21   222     3.62  <.0001

>summary(mymodel)
Fixed effects: dv ~ Treatment * Day 
                       Value Std.Error  DF  t-value p-value
(Intercept)         7.038028 0.1245901 222 56.48945  0.0000
TreatmentB          0.440560 0.1608452  35  2.73903  0.0096
TreatmentC          0.510214 0.1761970  35  2.89570  0.0065
TreatmentD          0.106202 0.1637436  35  0.64859  0.5208

Donc, je sais que l'effet de Day diffère selon le traitement et que, le dernier jour de traitement (où les données sont centrées), dv est significativement différent dans le traitement A des traitements B ou C.

Ce que je veux dire est: "Comme prévu, nous avons constaté que la variable dépendante était significativement plus faible chez les sujets recevant le traitement A (moyenne +/- SE) que chez les sujets recevant le traitement B (moyenne +/- SE, p = 0,0096) ou le traitement C (moyenne +/- SE, p = 0,0065), telle que mesurée le dernier jour de traitement. "

Mais, je dois indiquer quel test statistique a été fait. Serait-ce une façon acceptable de décrire l'analyse? "[Méthode de mesure] a été effectuée les jours indiqués et la variable dépendante (unités) a été déterminée; nous avons analysé les données transformées en log à l'aide d'un modèle linéaire à effets mixtes centré sur [dernier jour de traitement]. Les symboles représentent la valeur moyenne moyenne; les barres d'erreur sont erreur standard. Au dernier jour de traitement, la dv était significativement plus faible dans le traitement A (moyenne +/- SE) que dans le traitement B (moyenne +/- SE, p = 0,0096) ... "

Plus précisément,
* Cela en dit-il assez sur le test statistique utilisé? (Les lecteurs ont l'habitude de voir quelque chose comme «moyenne +/- SE, p = 0,0096, test t de Student», mais il semble étrange d'écrire «p = 0,0096, coefficient pour le traitement B par rapport au traitement A à partir d'effets mixtes linéaires modèle au [dernier jour de traitement]. ")
* Y a-t-il une meilleure façon de mettre cela?

(La section sur les méthodes comprendra plus d'informations sur les statistiques: «Les données [Méthode de mesure] ont été analysées à l'aide de R et des packages R ... Nous avons analysé les données des variables dépendantes transformées en log en utilisant des modèles linéaires à effets mixtes utilisant les sujets comme effets aléatoires et une structure d'autocorrélation d'ordre 1 (AR1). Comme effets fixes, nous avons inclus Traitement et Jour, et l'interaction Traitement et Jour. Nous avons vérifié la normalité et l'homogénéité par des inspections visuelles des tracés des résidus par rapport aux valeurs ajustées. Pour évaluer la validité de les analyses des effets mixtes, nous avons effectué des tests de rapport de vraisemblance comparant les modèles à effets fixes aux modèles nuls avec uniquement les effets aléatoires. ")

Tout conseil sur la façon de rapporter les résultats d'un modèle d'effets mixtes linéaires pour un public souvent opposé aux statistiques (et écrit par un novice en statistiques relatif) serait grandement apprécié!


pouvez-vous expliquer davantage ce que vous entendez par «centré» le dernier jour de l'étude? pourquoi ne pas simplement pomper en jour de 0 à nombre de jours le dernier jour de l'étude? Aussi, dans votre tableau récapitulatif, où sont les effets d'interaction?
colin

Réponses:


1

Cela peut ne pas aider à répondre à votre question, mais j'ai remarqué que vous avez une mesure répétée (jour) dans votre expérience, mais vous n'avez pas indiqué qu'il s'agissait d'une mesure répétée dans votre modèle. J'aurais pensé que le terme aléatoire dans votre modèle était comme tel:

mymodel <- lme(dv ~ Treatment*Day, random = ~1|Subject/Day, 
               data = mydf, na.action = na.omit,
               correlation = corAR1(form = ~1 |Subject/Day), method = "REML")

En ce qui concerne la communication des résultats, aviez-vous l'intention de signaler le jour où vous commencez à voir des différences significatives entre les traitements? Si c'est le cas, je pense que vous devrez également examiner / signaler les contrastes du terme d'interaction. Je suis moi-même un novice en statistiques et j'ai essentiellement la même question que vous :-)

Andy Field's "Discovering Statistics Using R" explique comment rapporter les résultats d'un modèle linéaire à effets mixtes dans Ch14. Je n'ai pas le livre à portée de main, mais je peux modifier ce message une fois que j'aurai mis la main dessus.


runenom= uney|Subject
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.