क्या मैं अपने नमूने में दो अलग-अलग विषयों के रूप में "बाईं आंख" और "दाईं आंख" का उपयोग कर सकता हूं?

11

मेरा डेटा इस प्रकार है। मेरे पास मरीजों के दो समूह हैं। प्रत्येक समूह के मरीजों की एक अलग प्रकार की आंखों की सर्जरी होती थी। प्रत्येक समूह में रोगियों पर 5 चर मापा गया। मैं दो समूहों के बीच एक क्रमपरिवर्तन परीक्षण या MANOVA का उपयोग करके उन चर की तुलना करना चाहता हूं। आंख जिस पर सर्जरी की गई थी, वास्तव में विश्लेषण में कोई फर्क नहीं पड़ता है। हालांकि, उदाहरण के लिए समूह ए में रोगी 2, दोनों आंखों की सर्जरी थी और इसलिए उन 5 चर को दो बार मापा गया है, प्रत्येक आंख पर एक बार। क्या मैं रोगी को 2 वाम और रोगी 2 को दो अलग-अलग टिप्पणियों के रूप में मान सकता हूं? रोगी के लिए समूह बी में 31।

\begin{array}{l} मरीज़ & सर्जरी के प्रकार & पक्ष & V1 & ... & वी 5 \\ 1 & ए & बाएं & 91 & ... & 22 \\ 2 & ए & बाएं & 87 & ... & 19 \\ 2 & ए & सही & 90 & ... & 23 \\ । & । & । \\ 31 & बी & बाएं & 90 & ... & 17 \\ 31 & बी & सही & 88 & ... & 19 \\ 32 & बी & सही & 91 & ... & 24 \\ । & । & । \end{array}

$\begin{array} \hline \text{Patient} & \text{Surgery type} & \text{Side} & \text{V1}& \ldots & V5\\ 1 & \text{A} & \text{Left} & 91 & \ldots & 22\\ 2 & \text{A} & \text{Left} & 87 & \ldots & 19\\ 2 & \text{A} & \text{Right} & 90 & \ldots & 23\\ . & . & . &\\ 31 & \text{B} & \text{Left} & 90 & \ldots & 17\\ 31 & \text{B} & \text{Right} & 88 & \ldots & 19\\ 32 & \text{B} & \text{Right} & 91 & \ldots & 24\\ . & . & . &\\ \hline \end{array}$

sampling

— सारा
स्रोत

2

आपका परीक्षण एक मिलान जोड़ी परीक्षण, असंतुलित यादृच्छिक ब्लॉक डिजाइन के समान कुछ द्वारा पूरा किया जा सकता है। लेकिन इससे पहले कि मैं आगे अनुमान लगाऊं, क्या आप अपने डेटा पर विस्तार से बता सकते हैं कि यह कैसा है आदि।

— suncoolsu

धन्यवाद। मैं अपने डेटा को यहां एक अच्छे टेबल प्रारूप में ब्लॉग पर प्रस्तुत करने की कोशिश कर रहा हूं, लेकिन मैंने अभी भी यह पता नहीं लगाया है कि कैसे। मैं अपने डेटा को अपने अगले प्रश्न में विवरण में प्रस्तुत करना सुनिश्चित करूंगा। मैं दोहराना चाहूंगा कि दोनों आंखों की एक ही तरह की सर्जरी हुई थी, इसलिए एक ही समूह में हैं।

— सारा

मैंने एक नमूना तालिका बनाई है, अब आप अपना डेटा दिखाने के लिए इसे संपादित कर सकते हैं।

— सनकूलू

@suncoolsu, सवाल डेटा के बिना जवाबदेह है। ओपी पोस्ट डेटा होने में आपकी क्या मंशा है?

— Iterator

@ मध्यस्थ मैं सहमत हूं और आपने पहले ही इसका जवाब दे दिया है (और मैंने इसे उतारा है :-))। मैं केवल डेटा को देखने के लिए उत्सुक था और किस तरह के मॉडल डेटा पर फिट हो सकते थे।

— सनकूलू

15

मेरा सुझाव यह नहीं होगा। एक डोमेन विशेषज्ञ नहीं होने के बावजूद, मैं अभी भी तीन चीजों की पहचान कर सकता हूं जो परिणामों की स्वतंत्रता को कम कर देंगे:

दोनों आंखों का इलाज (लगभग) एक ही समय में किया गया था। जबकि यह जरूरी समस्या नहीं है, यह स्वतंत्रता की अन्य धारणाओं को प्रभावित करता है। क्या अधिक है, सर्जिकल टीम ने दोनों को एक ही तरह से इलाज करने का विकल्प चुना हो सकता है या एक आंख के बारे में दूसरे आंख के पहलुओं पर विचार कर निर्णय ले सकता है।
दोनों आंखों का इलाज एक ही सर्जिकल टीम (सर्जन और बाकी सभी लोग) द्वारा किया गया
दोनों आँखें एक ही रोगी "कारक" के अधीन हैं, अर्थात कुछ भी जो रोगी को आंतरिक रूप से प्रभावित करेगा जो परिणामों को प्रभावित कर सकता है, जैसे कि अन्य उपचारों का अनुपालन, समग्र स्वास्थ्य, आदि।

यदि परिणाम के बारे में कुछ भी सर्जिकल टीम या रोगी को जिम्मेदार ठहराया जा सकता है, तो एक समस्या है।

— इटरेटर
स्रोत

5

क्योंकि अब तक के सभी उत्तर नकारात्मक हैं (पूर्ण डेटा सेट से कम उपयोग करने की वकालत करने या दो-आंख वाले मामलों के लिए सीमित उपयोग का सुझाव देने के संदर्भ में), आइए देखें कि क्या किया जा सकता है। उसके लिए, हमें एक संभावना मॉडल की आवश्यकता है।

$Y$

$\mu$
$\varepsilon$
$X_2$
$X_s$
$X_e$
$\delta$ $\varepsilon$

यह यहाँ निहित है कि प्रयोग कुछ मानक तरीकों से डिजाइन किया गया था: अर्थात्, रोगियों को एक निर्दिष्ट आबादी से यादृच्छिक रूप से चुना गया था; बाईं आंख, दाईं आंख, या दोनों का इलाज करने का दृढ़ संकल्प, या तो यादृच्छिक हो गया था या अन्य कारकों से स्वतंत्र माना जा सकता है; आदि इन मान्यताओं में परिवर्तन के लिए मॉडल में सहवर्ती परिवर्तन की आवश्यकता होगी।

$j$ $j \in {\text{right}, \text{left}}$ $i$

Y (मैं, जे) = μ + β_{2} {एक्स}_{2} (मैं, जे) + β_{रों} {एक्स}_{रों} (मैं, जे) + β_{इ} {एक्स}_{इ} (जे) + ε (मैं) + δ (जे) ।

$Y(i,j) = \mu + \beta_2 X_2(i,j) + \beta_s X_s(i,j) + \beta_e X_e(j) + \varepsilon(i) + \delta(j).$

$\mu$ $\beta_2$ $\beta_s$

मैं इसे पूरी तरह से एक दृष्टांत के रूप में प्रस्तुत करता हूं, यह दिखाने के लिए कि कैसे कोई इस समस्या के बारे में लाभप्रद रूप से सोच सकता है और पूरी तरह से डेटासेट का दोहन करने के तरीके पर पहुंच सकता है। मेरी कुछ धारणाएँ गलत हो सकती हैं और उन्हें संशोधित किया जाना चाहिए; अतिरिक्त इंटरैक्शन की आवश्यकता हो सकती है; आँखों के बीच संभावित अंतर को संभालने के लिए सबसे अच्छा कैसे हो सकता है, इसके बारे में कुछ विचार की आवश्यकता हो सकती है (यह संभावना नहीं है कि बाएं और दाएं के बीच एक सार्वभौमिक अंतर है, लेकिन शायद रोगी की प्रमुख आंख से संबंधित एक अंतर है, इसलिए)

मुद्दा यह है कि किसी भी कारण से प्रति मरीज एक आंख के विश्लेषण को सीमित करने या तदर्थ विश्लेषणात्मक तरीकों का उपयोग करने का कोई कारण नहीं दिखता है । मानक कार्यप्रणाली लागू होती है और इसे प्रयोग करने का एक अच्छा तरीका है मॉडलिंग शुरू करना।

— व्हीबर
स्रोत

मुझे लगता है कि यह जोड़ना महत्वपूर्ण है कि दूरबीन उपचार के साथ नमूनों का उपयोग करते हुए, स्वतंत्रता की धारणा का परीक्षण किया जा सकता है और इसका परीक्षण किया जाना चाहिए। एक मॉडल के साथ आगे बढ़ने से पहले दो कारणों से निर्भरता के लिए ऐसा परीक्षण किया जाना चाहिए : 1: यदि कुछ निर्भरता है, तो यह बहुत दिलचस्प हो सकता है। 2: निर्भरता को समझना बेहतर मॉडल का कारण बन सकता है।

— Iterator

@ इटरेटर आपका अच्छा सुझाव वही है जो मैं उम्मीद कर रहा था कि यह चर्चा शीघ्र हो जाएगी: जब हम इस बात पर विचार करते हैं कि अपने डेटा को कैसे मॉडल किया जाए, तो हम अक्सर इस बात की जानकारी प्राप्त कर लेते हैं कि किन धारणाओं को बनाया जा रहा है और इसका परीक्षण करने की आवश्यकता है।

— whuber

@ शुभंकर अच्छी शुरुआत। हमेशा की तरह, आप "मिश्रित-मॉडल-ईश" उपचार के बारे में सही हैं! मैं आपसे सहमत हूं कि हमें किसी भी डेटा को "फेंकना" नहीं चाहिए।

— सनकूलू

3

मैं दूसरों से सहमत हूं कि एक ही मरीज की दो आंखें स्वतंत्र नहीं हैं। हालांकि, मैं केवल एक नमूने का उपयोग करने पर सहमत नहीं हूं। आखिर वह कीमती सैंपल फेक रहा है।

कुछ इसी तरह की स्थिति में (मेरे कुछ रोगियों को फिर से उसी ट्यूमर पर संचालित किया गया) मैं उनके नमूनों का उपयोग करता हूं।

(पुनरावृत्त / दोहराया क्रॉस) सत्यापन के लिए मैं सुनिश्चित करता हूं कि बंटवारा रोगी-वार किया जाता है।
मैं प्रभावी (सांख्यिकीय) नमूना आकार नहीं बता सकता। मेरे लिए यह है कि कुछ रोगियों के अधिक नमूनों के कारण वैसे भी कोई समस्या नहीं है। मेरे पास प्रत्येक नमूने के लिए सैकड़ों स्पेक्ट्रा हैं, और उन्हें न तो दोहराया जाता है (वे अलग-अलग स्थानों से लिया जाता है) और न ही स्वतंत्र। तो मैं यहाँ कुछ भी ढीला नहीं है।
मैं कभी-कभी प्रभावी (सांख्यिकीय) नमूना आकार के लिए रूढ़िवादी बाध्य के रूप में रोगियों की संख्या का उपयोग करता हूं: कम से कम रोगी स्वतंत्र होते हैं
आप नमूनों का वजन कर सकते हैं ताकि प्रत्येक रोगी एक ही वजन के साथ विश्लेषण में प्रवेश करे।

— एसक्यूएल से दुखी
स्रोत

2

मैं @ गणक के साथ सम्‍मिलित हूं। यदि एक बड़े अनुपात में दोनों आंखों की सर्जरी होती है, तो मैं कुछ प्रकार के मिलान किए गए जोड़े करूंगा। यदि केवल एक छोटे से अनुपात में दोनों आंखों की सर्जरी होती, तो मैं शायद उन लोगों के लिए या तो आंख का उपयोग नहीं करता, लेकिन निश्चित रूप से दोनों में नहीं।

— पीटर फ्लॉम
स्रोत

1

पीटर का अधिकार। वास्तव में, यह सेट अपने आप में काफी दिलचस्प हो सकता है: दोनों आंखों के संचालन की आवश्यकता पर , किसी भी बदतर परिणाम थे? आजादी नहीं मानने की वकालत करने का कारण यह है कि बहुत सारे कारण हैं कि यह गलत हो सकता है। यदि एक बड़ा पर्याप्त नमूना है, तो स्वतंत्रता के लिए परीक्षण करें। अंतर्दृष्टि बहुत ही रोचक और व्यावहारिक रूप से उपयोगी हो सकती है।

— इटरेटर

1

इटरेटर और पीटर की टिप्पणियों को जोड़ने के लिए एक बिंदु। समग्र डेटा सेट का विश्लेषण करते समय, आपको उन रोगियों के लिए केवल एक आंख से डेटा का उपयोग करना चाहिए जो दोनों पर संचालित थे (क्योंकि दोनों आंखों के लिए परिणाम स्वतंत्र होने की संभावना नहीं है)। कौन सी आंख? रैंडमाइजेशन विधि का उपयोग करें, ताकि आप बेहतर (या बदतर) परिणाम के साथ एक का चयन न करें, जो परिणामों को प्रभावित (पूर्वाग्रह) करेगा।

एक अलग अध्ययन के हिस्से के रूप में, आप केवल एक आँख में अच्छे परिणाम वाले रोगियों को देखना चाहते हैं और दूसरे में नहीं, और यह देखने की कोशिश करें कि क्या अंतर के कारण कोई संकेत हैं।

— हार्वे मोटुलस्की
स्रोत