ANOVA de medidas repetidas emparelhadas ou um modelo misto?

Foi-me pedido para analisar alguns dados de um ensaio clínico, procurando dois métodos para medir a pressão arterial. Eu tenho dados de 50 indivíduos, cada um com entre 2 e 57 medidas usando cada método.

Eu estou querendo saber a melhor forma de proceder.

Obviamente, preciso de uma solução que leve em consideração o fato de a medida da pressão arterial estar emparelhada (dois métodos medidos de forma contemporânea) e também uma covariável variável no tempo (com um número variável de observações por paciente), bem como a consideração intra e inter- variabilidade do paciente.

Eu estava pensando em, de alguma forma, colocar isso em medidas repetidas ANOVA, mas estou pensando que talvez precise ser uma abordagem de modelo misto.

Agradeço qualquer conselho útil que você possa oferecer.

Sou um novato em R completo, mas muito empolgado em desenvolver habilidades e tenho uma experiência moderada no Stata, por isso sempre posso recorrer a isso.

Não acho que você possa fazer facilmente o que deseja com o RM-ANOVA, já que o número de repetições não é o mesmo para todos os assuntos. A execução de modelos de efeitos mistos é muito fácil no R. Na verdade, investindo um pouco de tempo para aprender os fundamentos e os comandos, isso abrirá muitas possibilidades para você. Também acho a modelagem mista muito mais simples de usar e mais flexível, e quase nunca é necessário fazer o RM-ANOVA diretamente. Por fim, considere que, com a modelagem mista, você também pode explicar a estrutura de covariância dos resíduos (o RM-ANOVA simplesmente assume uma estrutura diagonal), o que pode ser importante para muitas aplicações.

Existem dois pacotes principais para modelagem mista linear em R: nlmee lme4. Os lme4pacotes são os mais modernos, ótimos para grandes conjuntos de dados e também para os casos em que você lida com dados em cluster. Nlmeé o pacote mais antigo e é principalmente preterido em favor de lme4. No entanto, para projetos de medidas repetidas, ainda é melhor do que lme4uma vez que apenas nlmepermite modelar a estrutura de covariância dos resíduos. A sintaxe básica de nlmeé muito simples. Por exemplo:

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

Aqui estou modelando o relacionamento entre uma variável dependente dve um fator xe covariável relacionada ao tempo t. Subjecté um efeito aleatório e usei uma estrutura de simetria composta para a covariância dos resíduos. Agora você pode facilmente obter os p-valores famosos por:

anova(fit.1)

Por fim, posso sugerir que você leia mais sobre o nlme usando seu guia de referência definitivo, Modelos de efeitos mistos no S e S-Plus . Outra boa referência para iniciantes é o Linear Mixed Models - um Guia Prático de Uso de Software Estatístico, que compila muitos exemplos de diferentes aplicações de modelagem mista com código em R, SAS, SPSS, etc.

Se você está procurando RM-ANOVA com modelo misto usando R. Você pode verificar isso http://blog.gribblelab.org/2009/03/09/repeated-measures-anova-using-r/ Existem ótimos exemplos para demonstrar como usar o modelo misto para realizar o RM-ANOVA.

Com base na minha experiência, o SAS é uma ferramenta melhor para lidar com o modelo misto. Se você estiver usando SAS, poderá verificar a ajuda do SAS "Proc Mixed" para RM-ANOVA.