Межгрупповой анализ при наличии повторных измерений (ординальная шкала), Выбор критерия Опции

[ivan]

Посоветуйте, пожалуйста, как подступиться к статистическому анализу следующего эксперимента.
В эксперименте на мышах необходимо сравнить эффективность двух препаратов при лечении интоксикации, для которой характерно поражение центральной нервной системы. Исследование проводится на четырех группах мышей (восемь мышей в каждой группе):
1-я группа - интактные животные;
2-я группа - животные с интоксикацией без лечения
3-я группа - животные с интоксикацией, лечение препаратом А;
4-я группа - животные с интоксикацией, лечение препаратом Б.
Одним из признаков интоксикации у мышей является нарушение двигательной активности. Двигательная активность каждого животного в группах оценивается по балльной шкале от 0 до 5 (целые числа). Оценка неврологического дефицита проводится через каждые 48 часов в течение 20 дней.
Для описания данных буду рассчитывать медиану и межквартильный размах.
Далее необходимо оценить статистическую значимость различий неврологического дефицита между группами больных животных (т. е. нужно сравнить 2-ю группу с 3-й, 2-ю с 4-й и 3-ю с 4-й), а также между группой здоровых животных и группами больных животных (т. е. 2, 3 и 4-я группа по отдельности сравнивается с 1-й).
Подскажите, пожалуйста, какими критериями мне нужно воспользоваться для проведения этих сравнений???
Сравнивать медианы в разные дни наблюдения внутри группы можно с помощью критерия Фридмана, на сколько я понимаю. Но как быть с межгрупповыми сравнениями?

Сообщение отредактировал ivan - 26.08.2010 - 15:04

[ivan]

Как провести двухфакторный ДА с повторными измерениями, я представляю. Но меня по-прежнему очень смущает то, что данные в баллах. Во всех имеющихся у меня учебниках по статистике написано, что если измерения сделаны в ординальной шкале, то данные необходимо описывать с помощью медианы, квартилей и т. д. и анализировать их нужно непараметрикой... nokh, скажите, пожалуйста, можно ли сослаться на какой-то учебник, в котором приводится пример ДА именно балльных данных. В статьях, конечно, такое проделывают сплошь и рядом, но опираться на них как на надежный источник, сами понимаете, нельзя. А не подкрепившись мнением авторитетного автора, я парировать не смогу.

Сообщение отредактировал ivan - 28.08.2010 - 11:05

[p2004r]

Как провести двухфакторный ДА с повторными измерениями, я представляю. Но меня по-прежнему очень смущает то, что данные в баллах. Во всех имеющихся у меня учебниках по статистике написано, что если измерения сделаны в ординальной шкале, то данные необходимо описывать с помощью медианы, квартилей и т. д. и анализировать их нужно непараметрикой... nokh, скажите, пожалуйста, можно ли сослаться на какой-то учебник, в котором приводится пример ДА именно балльных данных. В статьях, конечно, такое проделывают сплошь и рядом, но опираться на них как на надежный источник, сами понимаете, нельзя. А не подкрепившись мнением авторитетного автора, я парировать не смогу.

"Generalized linear modeling is a development of linear models to accommodate both non-normal response distributions and transformations to linearity in a clean and straightforward way. "

скорее всего подойдет glm(y~x,binomial), но надежнее выбрать quasi.

Или подойдет
"Generalized additive models (GAMs) are like GLMs in that they can have different error
structures and different link functions to deal with count data or proportion data. What makes
them different is that the shape of the relationship between y and a continuous variable x
is not specified by some explicit functional form. Instead, non-parametric smoothers are
used to describe the relationship. This is especially useful for relationships that exhibit
complicated shapes, such as hump-shaped curves (see p. 666). The model looks just like a
GLM, except that the relationships we want to be smoothed are prefixed by s: thus, if we had
a three-variable multiple regression (with three continuous explanatory variables w, x and
z) on count data and we wanted to smooth all three explanatory variables, we would write:
model<-gam(y~s(w)+s(x)+s(z),poisson)
These are hierarchical models, so the inclusion of a high-order interaction (such as A:B:C)
necessarily implies the inclusion of all the lower-order terms marginal to it (i.e. A:B, A:C
and B:C, along with main effects for A, B and C)."

R book есть на либрусеке