The use of MIXED models in the analysis of animal experiments with repeated measures data
Notice bibliographique
Résumé
The analysis of data containing repeated observations measured on animals (experimental unit) allocated to different treatments over time is a common design in animal science. Conventionally, repeated measures data were either analyzed as a univariate (split-plot in time) or a multivariate ANOVA (analysis of contrasts), both being handled by the General Linear Model procedure of SAS. In recent times, the mixed model has become more appealing for analyzing repeated data. The objective of this paper is to provide a background understanding of mixed model methodology in a repeated measures analysis and to use balanced steer data from a growth study to illustrate the use of PROC MIXED in the SAS system using five covariance structures. The split-plot in time approach assumes a constant variance and equal correlations (covariance) between repeated measures or compound symmetry, regardless of their proximity in time, and often these assumptions are not true. Recognizing this limitation, the analysis of contrasts was proposed. If there are missing measurements, or some of the data are measured at different times, such data were excluded resulting in inadequate data for a meaningful analysis. The mixed model uses the generalized least squares method, which is generally better than the ordinary least squares used by GLM, if the appropriate covariance structure is adopted. The presence of unequally spaced and/or missing data does not pose a problem for the mixed model. In the example analyzed, the first order ante dependence [ANTE(1)] covariance model had the lowest value for the Akaike and Schwarz’s Bayesian information criteria fit statistics and is therefore the model that provided the best fit to our data. Hence, F values, least square estimates and standard errors based on the ANTE (1) were considered the most appropriate from among the five models demonstrated. It is recommended that the mixed model be used for the analysis of repeated measures designs in animal studies. Key words: Repeated measures, General Linear Model, Mixed Model, split-plot, covariance structure
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,079 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».