Ramírez Pérez Carmen ISP-530

Análisis estadístico de datos de medidas repetidas utilizando procedimientos SAS

El término "medidas repetidas", como se usa en este documento, se refiere a múltiples

respuestas tomadas en secuencia en la misma unidad experimental, como un animal. Por lo
general, las respuestas se toman a lo largo del tiempo, como en las mediciones de peso
semanales para establecer las curvas de crecimiento. Sin embargo, las medidas repetidas
podrían tomarse en secuencia espacial, como las dimensiones de las vértebras.

Los objetivos del análisis de datos de medidas repetidas son examinar y comparar las
tendencias de respuesta a lo largo del tiempo. Esto puede implicar comparaciones de
tratamientos en momentos específicos o promediados a lo largo del tiempo. También puede
implicar comparaciones de tiempos dentro de un tratamiento. Estos son objetivos comunes a
cualquier experiencia factorial.

Hay varios métodos estadísticos utilizados para analizar datos de medidas repetidas. Desde los
más básicos hasta los más sofisticados, estos incluyen

1. Análisis separados en cada punto de tiempo

2. Análisis univariado de varianza,
3. Análisis univariado y multivariado de variables de contraste de tiempo
4. Metodología de modelo mixto.

El desarrollo de métodos estadísticos para datos de medidas repetidas ha sido un área activa
de investigación en las últimas dos décadas debido a los avances en hardware y software de
computación.

En 1992 se libera el procedimiento MIXTO en el Sistema SAS. Proporcionó capacidades de

metodología de modelo mixto para el análisis de datos de medidas repetidas. El uso de la
metodología de modelo mixto permitió al usuario abordar directamente la estructura de
covarianza y mejoró en gran medida la capacidad del usuario para analizar datos de medidas
repetidas al proporcionar errores estándar válidos y pruebas estadísticas eficientes.

Los métodos de análisis estadístico-ilustrado en este documento se centran en las

comparaciones de tratamientos en momentos específicos, las comparaciones de tratamientos
promediadas a lo largo del tiempo y los cambios a lo largo del tiempo en tratamientos
específicos. Las diferencias entre los tratamientos A y B se calculan en tiempos individuales y se
promedian entre tiempos. Los errores estándar se calculan en función de cada uno de los
métodos de análisis cuando sea posible.

Análisis en Puntos de Tiempo Individuales

El análisis de datos en cada momento examina los efectos del tratamiento por separado en
momentos de observación individuales y no realiza comparaciones estadísticas entre
momentos. No se extrae ninguna inferencia sobre las tendencias a lo largo del tiempo, por lo
que este método no es realmente un análisis de medidas repetidas. El uso del análisis en cada
punto de tiempo generalmente se encuentra en una etapa preliminar del análisis de datos y no
es un método preferido para la publicación final porque no aborda los efectos del tiempo.

Análisis univariado de varianza Uso del procedimiento GLM

El análisis de varianza univariado (ANOVA), históricamente, es el método más comúnmente

aplicado a datos de medidas repetidas que hace comparaciones entre tiempos. Trata los datos
como si fueran de un diseño de parcela dividida con los animales como unidades de parcela
 Ramírez Pérez Carmen ISP-530

completa y los animales en momentos particulares como unidades de subparcela. Este enfoque
también se conoce como parcela dividida en el tiempo análisis (Damon y Harvey, 1987).

Análisis de variables de contraste utilizando el GLM Declaración REPETIDA

Las variables de contraste en los datos de medidas repetidas son combinaciones lineales de las
respuestas a lo largo del tiempo para animales individuales. Un ejemplo familiar de la
metodología estadística básica es el de los polinomios ortogonales (Snedecor y Cochran, 1980),
que representan tendencias lineales, cuadráticas, cúbicas, etc., a lo largo del tiempo. Otro
ejemplo es el conjunto de diferencias entre respuestas en puntos de tiempo consecutivos, es
decir, cambios del tiempo 1 al tiempo 2, del tiempo 2 al tiempo 3, y así sucesivamente. Se
puede usar un conjunto de variables de contraste para analizar tendencias a lo largo del tiempo
y hacer comparaciones entre tiempos en datos de medidas repetidas.

Análisis de modelo mixto usando el Procedimiento MIXTO

Como se señaló anteriormente, el análisis de datos de medidas repetidas requiere una

atención especial a la estructura de covarianza debido a la naturaleza secuencial de los datos
de cada animal. Los procedimientos discutidos previamente evitan el problema (análisis de
variables de contraste) o lo ignoran (análisis de varianza univariado). Ignorar los problemas de
covarianza puede resultar en conclusiones incorrectas del análisis estadístico.

Las estructuras de covarianza se pueden comparar objetivamente utilizando criterios de

bondad de ajuste impresos por PROC MIXED, incluido el registro de probabilidad de REML
(REML logL) , criterio de información de Akaike (AIC), y el criterio bayesiano de Schwarz (SBC) .
El AIC y SBC son versiones ajustadas de REML logL para imponer una penalización de acuerdo
con la cantidad de parámetros estimados.

Los modelos lineales mixtos se pueden implementar con los procedimientos GLM o MIXED en
el Sistema SAS. Sin embargo, el procedimiento GLM es en realidad un procedimiento de efectos
fijos con características accesorias, como la declaración RANDOM, para que sea útil para
analizar ciertos aspectos de los datos del modelo mixto. La mayoría de las pruebas de hipótesis
en un ANOVA se pueden calcular correctamente con GLM pero requieren especificaciones
opcionales, como la instrucción TEST. Los errores estándar de las declaraciones LSMEANS y
ESTIMATE en GLM generalmente no se calculan correctamente. El procedimiento MIXTO se
escribió desde el principio como un procedimiento de modelo mixto y casi siempre realiza
cálculos válidos para pruebas de hipótesis y errores estándar de estimaciones.

Comparando el SAS-Procedimientos GLM y MIXTO para Medidas repetidas

Tanto PROC GLM como PROC MIXED ofrecen análisis de medidas repetidas que dan cuenta de
la covariabilidad dentro del sujeto, y las siguientes dos secciones comparan sus métodos. La
primera sección resume y compara sus estrategias generales de análisis, y la segunda aplica y
contrasta estas.

La ventaja del método PROC MIXED es que puede acomodar cualquier tipo de estructura de
covarianza, pero la desventaja es que los grados de libertad del denominador para las pruebas
deben asignarse utilizando otros criterios. Para los análisis REPETIDOS, PROC MIXED obtiene los
grados de libertad dividiendo los grados de libertad residuales en partes entre y dentro del
sujeto y asignándolos a efectos entre y dentro del sujeto, respectivamente.
 Ramírez Pérez Carmen ISP-530

A diferencia de PROC MIXED, PROC GLM no promedia las medidas repetidas y no calcula los
errores estándar que representan la estructura de covarianza adecuada. Además, puede
permitir que AGE sea un efecto continuo en un análisis PROC MIXED LS MEANS pero no en
PROC GLM.

1. ¿Se encontró algún tema interesante o sorprendente en la lectura? Es El

tema en lo general fue un tema interesante y nuevo

2. ¿Qué te gustó o qué no te gustó de la lectura? Me gusto que ejemplifique la

manera de utilizar la programación de datos de medidas repetidas

3. ¿En qué estás de acuerdo o en desacuerdo? Den que los datos de

medidas repetidas son examinar y comparar las tendencias de respuesta a lo
largo del tiempo

4. ¿Qué es lo que no se entendió de la lectura? Dentro de la lectura, me

costaba entender un poco algunos conceptos que no me son tan familiares

5. ¿Cómo se relaciona la lectura a otras que se han leído en este curso o

que no se han leído en este curso? Esta muy relacionado a la programación
que hemos visto en las ultimas clases.