Nichtparametrische Analyse longitudinaler ... - RheinAhrCampus
Nichtparametrische Analyse longitudinaler ... - RheinAhrCampus
Nichtparametrische Analyse longitudinaler ... - RheinAhrCampus
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Nichtparametrische</strong> <strong>Analyse</strong><br />
<strong>longitudinaler</strong> Daten in faktoriellen<br />
Experimenten<br />
Frank Konietschke<br />
Abteilung für Medizinische Statistik<br />
Universität Göttingen<br />
1
Übersicht<br />
• Beispiele<br />
⊲ CGI (repeated measures)<br />
⊲ γ-GT (faktorielle Studie)<br />
• Statistisches Modell<br />
• <strong>Nichtparametrische</strong> Verfahren<br />
⊲ Effekte<br />
⊲ Hypothesen<br />
• Modifizierung der Verfahren<br />
⊲ Relative Effekte<br />
⊲ Simultane Konfidenzintervalle<br />
• Auswertungen<br />
• Literatur<br />
2
Beispiel: CGI-Studie<br />
• Psychiatrische klinische Studie (Bandelow et al., 1998)<br />
⊲ 16 Patienten wurden mit Antidepressivum behandelt<br />
⊲ Messung jeweils 0, 2, 4, 6, 8 Wochen nach Beginn<br />
⊲ Response: CGI-Score (2= excellent,..., 8 = sehr schlecht)<br />
Woche<br />
Patient 0 2 4 6 8<br />
1 8 6 5 5 4<br />
2<br />
.<br />
8<br />
.<br />
6<br />
.<br />
5<br />
.<br />
4<br />
.<br />
2<br />
.<br />
16 7 6 7 3 3<br />
• 5 verbundene Messungen pro Patient<br />
3
Beispiel: γ-GT Studie<br />
• Randomisierte placebokontrollierte Studie (50 Patienten)<br />
⊲ Kollektiv: 50 Patienten, denen die Gallenblase entfernt wurde<br />
• n1=26 Verum, n2 = 24 Placebo<br />
⊲ Response: γ-GT (Gamma-Glutamyl-Transferase)<br />
• Leberschäden, Abflussstörungen der Galle erhöhen die γ-GT<br />
⊲ γ-GT wurde am Tag -1, 3, 7, 10 nach OP gemessen<br />
• Boxplots<br />
4
Statistisches Modell<br />
• Unabhängig identisch verteilte Zufallsvektoren<br />
⊲ Xik = (Xi1k,Xi2k,...,Xidk) ′ i = 1,...,a, k = 1,...,ni<br />
• Randverteilungen<br />
⊲ Xi jk ∼ Fi j<br />
⊲ i = 1,...,a (Gruppe)<br />
⊲ j = 1,...,d (Zeit)<br />
⊲ k = 1,...,ni (Subjekt)<br />
• Stichprobenumfänge<br />
⊲ n = ∑ a i=1 ni: Anzahl Subjekte<br />
⊲ N = n · d: Anzahl Beobachtungen<br />
• Beispiele<br />
⊲ CGI: i = 1; j = 0,2,4,6,8; k = 1,...,16<br />
⊲ γ-GT: i = P,V ; j = −1,3,7,10; nP = 24;nV = 26<br />
• Einheitliche Modellbildung möglich<br />
• F = (F11,...,Fad) ′ (Vektor der Verteilungsfunktionen)<br />
5
<strong>Nichtparametrische</strong> Verfahren - Effekte<br />
• Behandlungseffekte<br />
⊲ HN = 1<br />
N ∑a i=1 ∑ d j=1 niFi j (gewichtete mittlere VF)<br />
⊲ gewichtete relative Effekte<br />
pN,i j =<br />
⊲ ZN ∼ HN (gewichtetes Mittel)<br />
• Interpretation<br />
<br />
HNdFi j = P(ZN < Xi j1)+0.5P(ZN = Xi j1)<br />
⊲ pN,i j > 0.5 : Xi j1 tendiert zu größen Werten als ZN<br />
⊲ pN,i j = 0.5 : Keine Tendenz zu größeren Werten<br />
⊲ pN,i j < 0.5 : Xi j1 tendiert zu kleineren Werten als ZN<br />
• Grafische Darstellung nächste Folie<br />
6
<strong>Nichtparametrische</strong> Verfahren - Effekte<br />
0.0 0.1 0.2 0.3 0.4<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
(a)<br />
(a)<br />
F 11(x)<br />
F 11(x)<br />
p N,11 < 0.5<br />
x<br />
x<br />
H N(x)<br />
H N(x)<br />
p N,11 < 0.5<br />
0.0 0.1 0.2 0.3 0.4<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
(b)<br />
(b)<br />
H N(x)<br />
F 11(x)<br />
p N,11 = 0.5<br />
x<br />
H N(x)<br />
x<br />
F 11(x)<br />
p N,11 = 0.5<br />
0.0 0.1 0.2 0.3 0.4<br />
0.0 0.2 0.4 0.6 0.8 1.0<br />
(c)<br />
(c)<br />
H N(x)<br />
p N,11 > 0.5<br />
x<br />
H N(x)<br />
x<br />
F 11(x)<br />
F 11(x)<br />
p N,11 > 0.5<br />
7
<strong>Nichtparametrische</strong> Verfahren - Schätzer<br />
• Punktschätzer<br />
⊲ Gemeinsame Rangvergabe über alle N Beobachtungen<br />
⊲ Ri j·: Mittelwert der Ränge in Kombination (i, j)<br />
⊲ pN,i j = 1<br />
N (Ri j· − 0.5)<br />
⊲ pN = (pN,11,..., pN,ad) ′<br />
• Verteilung<br />
⊲ C: beliebige Kontrastmatrix (C1 = 0)<br />
⊲ √ nCpN ist unter der Hypothese H F 0<br />
: CF = 0 normalverteilt<br />
⊲ Grund: Einfache Struktur der Kovarianzmatrix<br />
⊲ Literatur: Akritas und Arnold (1994); Akritas et al. (1997)<br />
• Übliche Hypothesen: Haupteffekte<br />
⊲ Haupteffekt A: Gruppe<br />
⊲ Haupteffekt B: Zeit<br />
⊲ Haupteffekt A*B: Interaktion<br />
8
<strong>Nichtparametrische</strong> Verfahren - Hypothesen<br />
• Hypothesenformulierung in den Verteilungsfunktionen<br />
⊲ paired Wilcoxon-Test: H F 0 : F1 = F2<br />
⊲ Effekt A(x) = F1(x) − F2(x)<br />
• Haupteffekte (Funktionen „von x”)<br />
⊲ Haupteffekt A: Ai(x) = Fi·(x) − F··(x)<br />
⊲ Haupteffekt B: B j(x) = F· j(x) − F··(x)<br />
⊲ Interaktion AB: Wi j(x) = Fi j(x) − Fi·(x) − F· j(x)+F··(x)<br />
⊲ Fi· = 1<br />
d ∑dj=1 Fi j, F· j = 1<br />
a ∑ai=1 Fi j, F·· = 1<br />
ad ∑ai=1 ∑ d j=1 Fi j<br />
• Literatur: Akritas und Arnold (1994); Akritas et al. (1997)<br />
9
<strong>Nichtparametrische</strong> Hypothesen<br />
• Hypothesen<br />
⊲ H F 0 (A) : Ai(x) ≡ 0<br />
⊲ H F 0 (B) : B j(x) ≡ 0<br />
⊲ H F 0 (AB) : Wi j(x) ≡ 0<br />
• Beispiel bei 2 Stichproben<br />
−0.2 0.0 0.2 0.4 0.6 0.8 1.0<br />
F1=N(0,1)<br />
F2=N(0.5,4)<br />
H0:F1−F2=0<br />
Alternative<br />
0 20 40 60 80 100<br />
10
<strong>Nichtparametrische</strong> Verfahren - Diskussion<br />
• Bekannte Verfahren<br />
⊲ basieren auf der asymptotischen Verteilung von √ nCpN unter H F 0<br />
⊲ Verteilung unter Alternative unbekannt<br />
⊲ Verfahren sind auf das Testen beschränkt<br />
⊲ Konfidenzintervalle nicht möglich<br />
⊲ ICH-E9: Estimates of treatment effects should be accompanied by<br />
confidence intervals, whenever possible...<br />
• Modifizierung der Verfahren<br />
⊲ Notwendig: Verteilung von √ nCpN unter Alternative<br />
• Möglich: Simultane Konfidenzintervalle für relative Effekte<br />
11
<strong>Nichtparametrische</strong> relative Effekte<br />
• Motivation<br />
⊲ Unterliegende Effekte der Rangverfahren sind relative Effekte<br />
⊲ Ursprünglich: gewichtet mit Stichprobenumfängen<br />
⊲ Konfidenzintervalle (insb. simultane Konfidenzintervalle)<br />
• Ungewichteter relativer Effekt<br />
⊲ pi j = P(G < Xi jk)+ 1<br />
2P(G = Xi jk), G ∼ F··(x)<br />
⊲ Wahrscheinlichkeit, dass der Durschnitt kleiner als die Stufe (i, j)<br />
ist<br />
• Haupteffekte<br />
⊲ α p<br />
i = pi· − p ··, - (Haupteffekt A)<br />
⊲ β p<br />
j = p · j − p ··, - (Haupteffekt B)<br />
⊲ (αβ) p<br />
i j = pi j − pi· − p · j + p ·· - (Interaktion AB)<br />
⊲ p i· = 1<br />
b ∑b j=1 pi j, p · j = 1<br />
a ∑a i=1 pi j, p ·· = 1<br />
ab ∑a i=1 ∑ b j=1 pi j<br />
12
Relative Effekte - Hypothesen<br />
• Hypothesen<br />
⊲ H p<br />
0 (A) : αp i = 0<br />
⊲ H p<br />
0 (B) : βpj<br />
= 0<br />
⊲ H p<br />
0 (AB) : (αβ)p i j<br />
= 0<br />
• Vorteile gegenüber H F 0<br />
⊲ Hypothesen in Effekten und nicht in Funktionen<br />
⊲ Hypothesen und Alternativen leichter zu interpretieren<br />
⊲ Konfidenzintervalle<br />
• Implikationen<br />
⊲ Shift-Modell: H F 0<br />
⇔ Hµ<br />
0<br />
⇔ H p<br />
0<br />
13
Relative Effekte - Statistiken<br />
• Punktschätzer<br />
⊲ pi j: Rangschätzer<br />
⊲ p = (p11,..., pad) ′<br />
⊲ √ n(p − p) . ∼. N(0,Vn)<br />
• Trick: Zerlegung der Effekte in Linearkombinationen<br />
⊲ Vn: Rangschätzer<br />
• α p<br />
i , β p<br />
j , ( αβ) p<br />
i j : Linearkombinationen von pi j<br />
• R α , R β , R (αβ) :Korrelationsmatrizen<br />
• Simultane Konfidenzintervalle für die Haupteffekte<br />
P<br />
q<br />
ℓ=1<br />
<br />
α p<br />
ℓ ∈<br />
<br />
α p<br />
<br />
ℓ ± V(α z1−α,2,Rα p<br />
ℓ )/n<br />
<br />
→ 1 − α<br />
14
Neue Verfahren - Diskussion<br />
• Simultane Konfidenzintervalle<br />
⊲ Können auf beliebige Fragestellungen der Anwender angepasst<br />
werden<br />
⊲ Kontrollieren die FWER im starken Sinne<br />
• Quadratische Tests<br />
⊲ Möglich für relative Effekte<br />
⊲ Nur für globale Hypothesen<br />
• Notwendig / Ziele<br />
⊲ Approximationen für kleine Stichprobenumfänge<br />
⊲ Hochdimensionale Daten<br />
⊲ Software in SAS und R<br />
15
Auswertungen - CGI<br />
• CGI<br />
Punktschätzer<br />
Woche 0 2 4 6 8<br />
p j 0.82 0.63 0.51 0.31 0.23<br />
16
Auswertungen - γ-GT Zeit<br />
Beh -1 3 7 10<br />
P 0.385 0.578 0.564 0.542<br />
V 0.415 0.501 0.523 0.498<br />
• Kein Behandlungsunterschied, sign. Zeiteffekt 17
Literatur<br />
• Akritas, M.G., Arnold, S.F. (1994).Fully Nonparametric<br />
Hypotheses for Factorial Designs. I: Multivariate Repeated<br />
Measures Designs, Journal of the American Statistical Associatio,<br />
89, 336-343<br />
• Akritas, M. G., Arnold, S.F. und Brunner, E. (1997).<br />
Nonparametric hypotheses and rank statistics for unbalanced<br />
factorial designs. Journal of the American Statistical<br />
Association,92, 258-265.<br />
• Munzel, U., Hothorn,L.A., 2001. A Unified Approach to<br />
Simultaneous Rank Tests Procedures in the Unbalanced One-Way<br />
Layout, Biometrical Journal, 43, 553 - 569<br />
• Brunner,E., Munzel, U., Puri, M., 2002. The multivariate<br />
nonparametric Behrens-Fisher problem. Journal of Statistical<br />
Planning and Inference, 108, 37-53.<br />
• Konietschke, F. (2009). Simultane Konfidenzintervalle für<br />
nichtparametrische relative Kontrasteffekte. Dissertation, Universität<br />
Göttingen<br />
18