مقايسه مدلهاي آماري حاشيه اي و آميخته در تحليل داده هاي پزشكي

Comparison of marginal and mixed models in medical data analysis

زمينه و هدف: امروزه داده هاي زيادي وجود دارند كه در آنها فرض استقلال داده ها كه پيش فرض اصلي بسياري از مدلهاي آماري است برقرار نيست. داده هاي حاصل از نمونه گيري خوشه اي، مطالعات طولي با اندازه گيري هاي مكرر و يا داده هاي زوجي مانند داده هاي دو چشم و همچنين مطالعاتِ همسان سازي شده نمونه هايي از اين داده ها هستند مواد و روش كار: دو مدل آماري با در نظر گرفتن همبستگي بين مشاهدات، مدلهاي آميخته و مدلهاي حاشيه اي هستند كه در اين مقاله مورد مقايسه قرار گرفته اند. اين مدلها از نظر روشي كه همبستگي بين داده ها را در نظر مي گيرند و تفسير ضرايب رگرسيوني با يكديگر تفاوت دارند. يافته ها: در مدلهاي غير خطي ضرايب رگرسيوني مدل حاشيه اي تغييرات در سطح جامعه را نشان مي دهد در حاليكه در مدلهاي آميخته اين ضرايب تغييرات را در يك فرد يا خوشه خاص نشان مي دهند. در مدلهاي خطي تفسير ضرايب رگرسيوني در هر دو مدل يكسان است. نتيجه گيري: به عنوان يك نتيجه گيري كلي در مدلهاي غير خطي كه تفسير نتايج متفاوت است بر اساس كاربرد مورد نياز بهتر است از يكي از اين دو مدل استفاده شود. در واقع براي سياستگذاران بهداشتي كه ديد جامعه نگر دارند استفاده از مدل حاشيه اي توصيه مي شود در حاليكه براي پزشكان معالج كه بيشتر به تغييرات فردي در يك بيمار علا قمند هستند استفاده از مدل آميخته مناسبتر است

Background & Objectives: In medical researchers, there are lots of correlated data which cannot be analyzed using the usual classical statistical methods because the assumption of independency between observations is not met. Data from cluster sampling, longitudinal studies, observations on paired organs and matched studies are examples of such data. Materials & Methods: Two statistical methods that can be used to correctly handle these kinds of data are marginal and mixed models. These models are different in considering correlation between subjects and Interpretation of the regression coefficients. These models were compared in this paper. Results: The regression coefficients in marginal models with non-identity link functions show the change in population whereas in mixed models they represent changes within a subject or a cluster. Conclusion: In result, in nonlinear models, application of these two kinds of models depends on the areas of their usage. While the marginal models are more attractive to the Health policy makers who are considering the potential effects of a variable on the population as a whole, the mixed model will be of most interest to a physician in a physician/patients context.