Доклиника, распределение не нормально. Выборка?, _помогите посчитать выборку_ Опции

[himik]

День добрый.

Планируем делать доклинику. Пилот не делали, но из литературы знаем, что распределение ненормально. Подскажите, пожалуйста, как рассчитать выборку для сравнения препаратов. Нулевых гипотез 2 вида: а) препарат А лучше препарата Б, б) препарат А не хуже препарата В.

Буду благодарен за помощь.

[himik]

Ок. Спасибо за поддержку.
В архиве:
1) лист с исходными данными из автореферата. Нас интересует только первый опыт УРПИ и только самцы.
2) То, что после плюс-минуса идёт стандартная ошибка - это ответ автора работы на наш запрос, в автореферате этого нет.
3) Электронную таблицу тоже прилагаю, которая по мотивам исходника обсчитана.

Сообщение отредактировал himik - 17.05.2014 - 03:23

Прикрепленные файлы

 данные.rar ( 17,9 килобайт ) Кол-во скачиваний: 292

 

[p2004r]

Ок. Спасибо за поддержку.
В архиве:
1) лист с исходными данными из автореферата. Нас интересует только первый опыт УРПИ и только самцы.
2) То, что после плюс-минуса идёт стандартная ошибка - это ответ автора работы на наш запрос, в автореферате этого нет.
3) Электронную таблицу тоже прилагаю, которая по мотивам исходника обсчитана.

Я тут начал считать, но вот какое соображение принципиальное:

Фактически задается процесс обучения. Он состоит из трех сеансов-уроков. Получившие плацебо демонстрируют быстрый эффект обучения --- они "решают предложенную задачу" всё быстрее и быстрее. И тут появляются проблемы:

1) Кривая научения всегда индивидуальна, а испытуемые идут толпой. Это мне представляется неправильным, поскольку группы маленькие и теряется существенная информация. Надо строить модель которая знает о результатах каждого на каждом этапе (помимо того что применялось).

Тогда и отпадают все проблемы с получением "групповой" статистики.

2) Почему у группы плацебо самое быстрое обучение?


Вот так выглядит доверительный интервал для среднего плацебо группы (распределение Вейбулла).

Сообщение отредактировал p2004r - 19.05.2014 - 17:50

Эскизы прикрепленных изображений

 

[himik]

Я тут начал считать, но вот какое соображение принципиальное:

Фактически задается процесс обучения. Он состоит из трех сеансов-уроков. Получившие плацебо демонстрируют быстрый эффект обучения --- они "решают предложенную задачу" всё быстрее и быстрее. И тут появляются проблемы:

1) Кривая научения всегда индивидуальна, а испытуемые идут толпой. Это мне представляется неправильным, поскольку группы маленькие и теряется существенная информация. Надо строить модель которая знает о результатах каждого на каждом этапе (помимо того что применялось).

Тогда и отпадают все проблемы с получением "групповой" статистики.

2) Почему у группы плацебо самое быстрое обучение?


Вот так выглядит доверительный интервал для среднего плацебо группы (распределение Вейбулла).

Там немного наоборот.
Обучение состоит в том, что крыса НЕ ВЫПОЛНЯЕТ действие (так как помнит о негативном опыте в обучающей сессии), соответственно у неё латентное время БОЛЬШЕ

24 часа, 7 суток и 14 суток - это просто проверяют память во времени. Обучающие сессии проводят со всеми крысами одинаково. Так что это, фактически, кривые забывания. Как помнит навык каждая крыса - это можно фиксировать, и мы будем, естественно, но в диссертации не приведено латентное время для каждой крысы.

Сообщение отредактировал himik - 19.05.2014 - 18:21

[p2004r]

Там немного наоборот.
Обучение состоит в том, что крыса НЕ ВЫПОЛНЯЕТ действие (так как помнит о негативном опыте в обучающей сессии), соответственно у неё латентное время БОЛЬШЕ

24 часа, 7 суток и 14 суток - это просто проверяют память во времени. Обучающие сессии проводят со всеми крысами одинаково. Так что это, фактически, кривые забывания. Как помнит навык каждая крыса - это можно фиксировать, и мы будем, естественно, но в диссертации не приведено латентное время для каждой крысы.

Ну это аналогично тогда, модель учитывающая индивидуальную крысу позволит выкинуть часть дисперсии в индивидуальные коэффициенты модели. Тогда групповая статистика как бы не нужна становиться, поскольку понятие группы выбрасывается, а остаются только факторы.

[himik]

Ну это аналогично тогда, модель учитывающая индивидуальную крысу позволит выкинуть часть дисперсии в индивидуальные коэффициенты модели. Тогда групповая статистика как бы не нужна становиться, поскольку понятие группы выбрасывается, а остаются только факторы.

С большим трудом понимаю, о чём идёт речь. Практически все статьи, в которых применяется этот метод, использует именно результаты, полученные на группе мышей и затем усреднённые.

[p2004r]

С большим трудом понимаю, о чём идёт речь. Практически все статьи, в которых применяется этот метод, использует именно результаты, полученные на группе мышей и затем усреднённые.

без учета индивидуальности мышей как то не правильно, "группы" зависимы.


Как то вот так модель смастерить с "вложенным дизайном" из "The R book".

The model we want to fit is a generalized mixed model with Poisson errors
(because the data are counts) with complex nesting to take account of the four-level
split-plot design (Rabbit exclusion within Blocks, Lime treatment within Rabbit plots,
3 Competition treatments within each Lime plot and 4 nutrient regimes within each
Competition plot)

Код

library(lme4)
model<-
lmer(vals~Nutrient+(1|Block/Rabbit/Lime/Competition),family=poisson)
summary(model)

A major benefit of random-effects models
is that they economize on the number of degrees of freedom used up by the factor levels.
Instead of estimating a mean for every single factor level, the random-effects model estimates
the distribution of the means (usually as the standard deviation of the differences of the
factor-level means around an overall mean). Mixed-effects models are particularly useful
in cases where there is temporal pseudoreplication (repeated measurements) and/or spatial
pseudoreplication (e.g. nested designs or split-plot experiments). These models can allow for
? spatial autocorrelation between neighbours;
? temporal autocorrelation across repeated measures on the same individuals;
? differences in the mean response between blocks in a field experiment;
? differences between subjects in a medical trial involving repeated measures.

Сообщение отредактировал p2004r - 19.05.2014 - 21:13