Регрессионный анализ?, статистика |
Здравствуйте, гость ( Вход | Регистрация )
Регрессионный анализ?, статистика |
23.09.2015 - 14:41
Сообщение
#1
|
|
Группа: Пользователи Сообщений: 43 Регистрация: 12.04.2014 Пользователь №: 26319 |
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 |
|
23.09.2015 - 20:04
Сообщение
#2
|
|
Группа: Пользователи Сообщений: 43 Регистрация: 12.04.2014 Пользователь №: 26319 |
p2004r, спасибо за ответ, буду разбираться. Но нельзя ли посчитать это в Statistica или SPSS?
|
|
23.09.2015 - 22:31
Сообщение
#3
|
|
Группа: Пользователи Сообщений: 1091 Регистрация: 26.08.2010 Пользователь №: 22699 |
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 |
|
25.09.2015 - 21:25
Сообщение
#4
|
|
Группа: Пользователи Сообщений: 43 Регистрация: 12.04.2014 Пользователь №: 26319 |
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
|
|
26.09.2015 - 10:19
Сообщение
#5
|
|
Группа: Пользователи Сообщений: 1091 Регистрация: 26.08.2010 Пользователь №: 22699 |
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 |
|
27.09.2015 - 19:46
Сообщение
#6
|
|
Группа: Пользователи Сообщений: 43 Регистрация: 12.04.2014 Пользователь №: 26319 |
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 |
|
27.09.2015 - 22:18
Сообщение
#7
|
|
Группа: Пользователи Сообщений: 1091 Регистрация: 26.08.2010 Пользователь №: 22699 |
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 |
|