Регрессионный анализ?, статистика Опции

[grergi]

Уважаемые коллеги, пожалуйста подскажите! Изучаются изменения фармакокинетических показателей препарата А (Cmax А) после введения препарата Б. При этом препарат Б способен изменять уровень эндогенных веществ С и Д, которые в свою очередь также способны влиять на Cmax A (С вызывает увеличение Cmax A, Д - снижение Cmax A). После введения препарата Б наблюдалось снижение уровня вещества С, а уровень Д статистически достоверно не изменился (ожидается что в следующих сериях он может возрасти, но он точно не может снизиться), при этом возросла Cmax A. Правильно ли будет сделать вывод о том, что причина изменений Cmax A - препарат Б, без регрессионного анализа? Я бы хотел его провести, но не знаю как. Препарат Б вводился в одной дозе, уровень его в крови не измерялся, следовательно уравнение регрессии может включать 0 или 1 (до введения и после введения препарата Б)? Также хотелось бы отразить силу связи самого факта введения препарата Б и изменений фармакокинетических параметров препарата А (корреляционный анализ?).

Сообщение отредактировал grergi - 23.09.2015 - 14:48

[grergi]

p2004r, спасибо за ответ, буду разбираться. Но нельзя ли посчитать это в Statistica или SPSS?

[p2004r]

p2004r, спасибо за ответ, буду разбираться. Но нельзя ли посчитать это в Statistica или SPSS?

Eсли не ошибаюсь последние версии этих пакетов включают в себя R. Но если хотите мы можем здесь рассмотреть данные (их можно просто "анонимизировать" например нормализацией).

Сообщение отредактировал p2004r - 27.09.2015 - 11:11

[grergi]

Eсли не ошибаюсь последние версии этих пакетов включают в себя R. Но если хотите мы можем здесь публично рассмотреть данные (их можно просто "анонимизировать" например нормализацией).

p2004r, предложенный вами пакет для R пока мне никак "не поддается", если возможно провести расчеты в SPSS или Statistica, объясните, пожалуйста, для них.

Сообщение отредактировал grergi - 25.09.2015 - 21:27

Прикрепленные файлы

 Данные.pdf ( 92,66 килобайт ) Кол-во скачиваний: 404

 

[p2004r]

p2004r, предложенный вами пакет для R пока мне никак "не поддается", если возможно провести расчеты в SPSS или Statistica, объясните, пожалуйста, для них.

Если я правильно понял и No это номер подопытного

Код

> data <- read.table("data.txt", dec=",", header=TRUE)
> data.new$Б <- factor(data$Б)
> data.new$No <- factor(data$No)
> str(data.new)
'data.frame':    16 obs. of  5 variables:
$ No   : Factor w/ 8 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 1 2 ...
$ CmaxА: num  18.4 15.4 42.5 31.8 39.8 ...
$ С    : num  13.42 9.1 10.3 7.42 8.91 ...
$ Д    : num  4.01 5.37 7.01 4.55 10.36 ...
$ Б    : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 2 2 ...
> data.new
   No  CmaxА     С     Д Б
1   1  18.43 13.42  4.01 0
2   2  15.37  9.10  5.37 0
3   3  42.55 10.30  7.01 0
4   4  31.80  7.42  4.55 0
5   5  39.76  8.91 10.36 0
6   6  45.69 13.31  3.77 0
7   7 112.01 12.92 16.43 0
8   8  21.60 15.36  9.36 0
9   1 112.90  9.47  9.75 1
10  2 145.01  5.01  4.01 1
11  3  99.43  7.32  6.78 1
12  4 132.67  8.00  8.35 1
13  5 112.34  7.34  9.01 1
14  6  89.44 10.45 11.23 1
15  7 257.87 11.42 20.34 1
16  8 157.71 11.37 10.02 1
> (hc(data.new, optimized=F))

  Bayesian network learned via Score-based methods

  model:
   [No][Б][С|No][Д|No][CmaxА|Д:Б]
  nodes:                                 5
  arcs:                                  4
    undirected arcs:                     0
    directed arcs:                       4
  average markov blanket size:           2.00
  average neighbourhood size:            1.60
  average branching factor:              0.80

  learning algorithm:                    Hill-Climbing
  score:                                 BIC (cond. Gauss.)
  penalization coefficient:              1.386294
  tests used in the learning procedure:  100
  optimized:                             FALSE

Как видим уровень факторов индивидуален, препарат влияет на целевой показатель, но влияет и один из факторов.

Сообщение отредактировал p2004r - 27.09.2015 - 11:10

Эскизы прикрепленных изображений

 

[grergi]

Если я правильно понял и No это номер подопытного

Код

> data <- read.table("data.txt", dec=",", header=TRUE)
> data.new$Б <- factor(data$Б)
> data.new$No <- factor(data$No)
> str(data.new)
'data.frame':    16 obs. of  5 variables:
$ No   : Factor w/ 8 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 1 2 ...
$ CmaxА: num  18.4 15.4 42.5 31.8 39.8 ...
$ С    : num  13.42 9.1 10.3 7.42 8.91 ...
$ Д    : num  4.01 5.37 7.01 4.55 10.36 ...
$ Б    : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 2 2 ...
> data.new
   No  CmaxА     С     Д Б
1   1  18.43 13.42  4.01 0
2   2  15.37  9.10  5.37 0
3   3  42.55 10.30  7.01 0
4   4  31.80  7.42  4.55 0
5   5  39.76  8.91 10.36 0
6   6  45.69 13.31  3.77 0
7   7 112.01 12.92 16.43 0
8   8  21.60 15.36  9.36 0
9   1 112.90  9.47  9.75 1
10  2 145.01  5.01  4.01 1
11  3  99.43  7.32  6.78 1
12  4 132.67  8.00  8.35 1
13  5 112.34  7.34  9.01 1
14  6  89.44 10.45 11.23 1
15  7 257.87 11.42 20.34 1
16  8 157.71 11.37 10.02 1
> (hc(data.new, optimized=F))

  Bayesian network learned via Score-based methods

  model:
   [No][Б][С|No][Д|No][CmaxА|Д:Б]
  nodes:                                 5
  arcs:                                  4
    undirected arcs:                     0
    directed arcs:                       4
  average markov blanket size:           2.00
  average neighbourhood size:            1.60
  average branching factor:              0.80

  learning algorithm:                    Hill-Climbing
  score:                                 BIC (cond. Gauss.)
  penalization coefficient:              1.386294
  tests used in the learning procedure:  100
  optimized:                             FALSE

Как видим уровень факторов индивидуален, препарат влияет на целевой показатель, но влияет и один из факторов.

p2004r, спасибо, буду разбираться

Сообщение отредактировал grergi - 27.09.2015 - 19:46

[p2004r]

p2004r, спасибо, буду разбираться

Вот ещё бутстреп оценка

Код

> strength.plot(res, boot.strength(data.new, algorithm="hc", R=1000))
> boot.strength(data.new, algorithm="hc", R=1000)
    from    to strength direction
1     No CmaxА    0.000 0.0000000
2     No     С    0.000 0.0000000
3     No     Д    0.001 0.5000000
4     No     Б    0.002 0.5000000
5  CmaxА    No    0.000 0.0000000
6  CmaxА     С    0.431 0.3979118
7  CmaxА     Д    0.920 0.4364130
8  CmaxА     Б    0.998 0.3562124
9      С    No    0.000 0.0000000
10     С CmaxА    0.431 0.6020882
11     С     Д    0.842 0.4881235
12     С     Б    0.756 0.3835979
13     Д    No    0.001 0.5000000
14     Д CmaxА    0.920 0.5635870
15     Д     С    0.842 0.5118765
16     Д     Б    0.559 0.4821109
17     Б    No    0.002 0.5000000
18     Б CmaxА    0.998 0.6437876
19     Б     С    0.756 0.6164021
20     Б     Д    0.559 0.5178891
>

и подгонка модели

Код

> bn.fit(res, data.new)

  Bayesian network parameters

  Parameters of node No (multinomial distribution)

Conditional probability table:

    1     2     3     4     5     6     7     8
0.125 0.125 0.125 0.125 0.125 0.125 0.125 0.125

  Parameters of node CmaxА (conditional Gaussian distribution)

Conditional density: CmaxА | Д + Б
Coefficients:
                     0          1
(Intercept)  -1.932269  56.689805
Д             5.630433   8.225583
Standard deviation of the residuals:
       0         1  
20.60321  39.26309  
Discrete parents' configurations:
   Б
0  0
1  1

  Parameters of node С (conditional Gaussian distribution)

Conditional density: С | No
Coefficients:
                  0       1       2       3       4       5       6       7
(Intercept)  11.445   7.055   8.810   7.710   8.125  11.880  12.170  13.365
Standard deviation of the residuals:
        0          1          2          3          4          5          6  
2.7930718  2.8920667  2.1071782  0.4101219  1.1101576  2.0223254  1.0606602  
        7  
2.8213561  
Discrete parents' configurations:
   No
0   1
1   2
2   3
3   4
4   5
5   6
6   7
7   8

  Parameters of node Д (conditional Gaussian distribution)

Conditional density: Д | No
Coefficients:
                  0       1       2       3       4       5       6       7
(Intercept)   6.880   4.690   6.895   6.450   9.685   7.500  18.385   9.690
Standard deviation of the residuals:
        0          1          2          3          4          5          6  
4.0587929  0.9616652  0.1626346  2.6870058  0.9545942  5.2750166  2.7647875  
        7  
0.4666905  
Discrete parents' configurations:
   No
0   1
1   2
2   3
3   4
4   5
5   6
6   7
7   8

  Parameters of node Б (multinomial distribution)

Conditional probability table:

  0   1
0.5 0.5

Эскизы прикрепленных изображений