1 / 20

3.経時データに対するモデル

3.経時データに対するモデル. B3   兼清 道雄. contents. introduction A Two-Stage Analysis The General Linear Mixed-Effects Model 例は 『The Rat Data』 と 『The Prostate Data』 を使用. 経時データは (Longitudinal Data is). 大抵アンバランス 個人によって測定回数や測定時点が同じではない 脱落などもある 途中で死んでしまったり、実験を抜けてしまったりとか どうしようもない 実験計画自体、そういうものもある.

ouida
Download Presentation

3.経時データに対するモデル

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 3.経時データに対するモデル B3  兼清 道雄

  2. contents • introduction • A Two-Stage Analysis • The General Linear Mixed-Effects Model • 例は『The Rat Data』と『The Prostate Data』を使用

  3. 経時データは(Longitudinal Data is) • 大抵アンバランス • 個人によって測定回数や測定時点が同じではない • 脱落などもある • 途中で死んでしまったり、実験を抜けてしまったりとか • どうしようもない • 実験計画自体、そういうものもある

  4. だから・・・ • 多変量回帰のテクニックが使えない • 代替法 • 個人特有のプロファイルに線型回帰で近似させる • 少数の個人特有の回帰係数(subject-specific regression coefficients)で各個人の反復測定値を要約 • ↑回帰係数と既知の共変量(治療法etc.)を関係付け • 多変量回帰のテクニックで • いわゆる「2段階解析(a two-stage analysis)」

  5. A Two-Stage Analysis 1 • Stage1 • 測定値に線型回帰モデルを当てはめる

  6. A Two-Stage Analysis 2 • Stage2 • 多変量回帰モデルの形式で個人間の変動をモデル化

  7. 例:The Rat Data

  8. 例:The Prostate Data

  9. A Two-Stage Analysisは・・ • 計算:1段階 • 各個人において測定値   を   によって要約 • 分析:2段階 • 得られた要約統計量と当該共変量間の関係を評価 • 回帰方法を用いて • 他の要約統計量 • AUC*, 各個人の平均値, 最大値(peak), 半減期, etc. • Weiner(1981), Rang and Dale(1990) AUC*: the area under each individual profile(時間曲線下面積)

  10. A Two-Stage Analysisの問題点 • 要約することによる情報の損失 • あ • 推定値で置き換えることによるバラツキ • あ • さらに   の共分散行列は測定時点だけでなく測定回数に高く依存する • 2段階分析→線型混合モデルとして1つにする

  11. A Linear Mixed-effects Model • Laird and Ware(1982)によると • 一番上の式=2段階分析を1つにしたもの • Σi の成分は「i(つまり被験者)」に依存しない • 上記を階層モデルという

  12. 階層モデル→周辺モデル • biで条件付けた分布は N(Xβ+Zb)       に従う • biは N(0、D) に従う • よってY の周辺密度関数は • よって • 周辺モデルという

  13. 諸注意 • 周辺モデルがN               に従うからといって階層モデルのようになっているとは言えない • 周辺モデル≠階層モデル • 詳しくは5.6.2章で議論する

  14. 例:The Rat Data • 2段階→1つにすると • これは以下のようにも書ける • 同一被験者の測定値間の共分散=時間の二次関数に • random effectsが変量切片のみ  →Yの共分散構造が複合対称性(C.S.)に

  15. 例:The Prostate Data • 2段階→1つに • 同一被験者の測定値間の共分散=時間の四次関数に

  16. 誤差共分散Σi • 大抵、Σi=σ^2In • 「条件付独立モデル」という • 固定βと変量bを条件付けた時、各測定値は独立 • 変量効果少ないとき非現実的な共分散構造になる • たとえば複合対称性など • 加えるべき変量効果bが無い、みたい・・・ • より一般的で適したΣi を採用 • 共分散の仮定をゆるくする

  17. Diggle, Liang, and Zeger (1994) • 誤差を二つの成分に分解したモデル • あ • 誤差=測定誤差+系列相関による誤差 • 二つは独立 •     :測定値間の相関に影響 • 基本的に測定値間の時間に関する減少関数 • ex.)時間が遠いほど関係薄い

  18. 系列相関誤差 • Hiの(j,k)要素をhijkとした場合、hijk=g(|tij-tik|)と表す事が出来る • g(0)=1 • g(・)は測定値間の相関を表す減少関数 • 指数系列相関関数と正規系列相関関数がある • Exp:g(u)=exp(-φu),Gauss:g(u)=exp(-φu^2) • 図3.2 • (図3.1:変量、系列、測定すべてのバラツキを図示)

  19. Diggleさんたち(1994)再び •                 とモデル化 • しかし、 • 切片以外の変量効果だけでなく、系相関誤差を同時に含んだモデルというのを使ってない • さらに、以下のように主張している • 「系列相関に関する効果は、変量効果と測定誤差の組み合わせで「大抵」どうにかなる」

  20. 後ろの章(etc.)へバトンタッチ • 測定誤差以外(変量、系列)の推定の問題 • 9章へ • 切片以外の変量効果を入れた場合、どのような誤差共分散構造が適しているか • 10章へ • 非線型混合モデルにおけるバラツキ成分についての議論 • Davidian and Giltinan(1995)の第4章でね

More Related