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

[p2004r]

Хотелось бы продолжить получение консультации, если никто не возражает :-)
Удалось заполучить экспериментальные данные, из которых я смог достать дисперсию и стандартное отклонение. Надеюсь, правильно.
Поскольку файл прикрепить не удалось, вешаю картинку.

1. Сюда легко крепятся rar архивы с любым содержимым

2. Покажите как устроены исходные данные, я не очень понимаю что показано в агрегированных.

[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: 291

 

[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

[himik]

А почему вы выбрали именно это распределение?

[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.

[p2004r]

А почему вы выбрали именно это распределение?

Потому что его часто используют для описания поломок, аварий и прочих событий которые неизбежно наступают. В любом случае это предположение.

[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.

[himik]

Потому что его часто используют для описания поломок, аварий и прочих событий которые неизбежно наступают. В любом случае это предположение.

Насколько я понимаю, при тех параметрах, при которых вы писали код на стр 1 обсуждения, Вейбулл вырождается в экспоненциальное, не?

[p2004r]

Насколько я понимаю, при тех параметрах, при которых вы писали код на стр 1 обсуждения, Вейбулл вырождается в экспоненциальное, не?

там написан код который фитит распределение в условия

Код

my.w.par <- function() {
    optim(c(14,87),
          function(x) {
              x1<-x[1];
              x2<-x[2];
              d <- rweibull(60000, shape=x1, scale = x2)
              (86.4 - mean(d))^2 +
                  15*(7.25 - sd(d))^2
          },  
          method = "BFGS")$par
}

plot(t(replicate(30, my.w.par())))

ну а рисунок как то так

Код

res <- sapply(c(5,8,10,20,30,60,90), function(i) quantile(replicate(100000, mean(rweibull(i, shape=14, scale = 88))), probs = c(0.25, 0.975)) )

plot(c(5, 8, 10,20,30,60,90), res[1,], ylim = c(70,100), type = "b")
lines(c(5, 8, 10,20,30,60,90), res[2,], type = "b")

[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

[himik]

Здравствуйте, это снова я.

Хотелось бы спросить вот о чём.
Сейчас я думаю над тем, как грубо оценить (в рамках нормального распределения) нужное количество животных для того, чтобы понять, какая разность между латентными периодами между двумя исследуемыми веществами можно будет статистически значима.

Предположим, я насчитал, что вещство А участвует в 5 сравнениях. Вводя поправку Бонферрони я сразу примнимаю альфа=0,01, а дальше с помощью G-Power пытаюсь подобрать такие средние, чтобы 1-бета=0,8 (стандартные отклонения взяты из литературы) при том числе животных, что мы запланировали. Скажите, пожалуйста, можно ли так делать?

Спасибо.