Besvarelse af juul2 -opgaven

Transkript

1 Besvarelse af juul2 -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Lav regressionsanalyser for hvert køn af igf1 vs. alder for præpubertale (Tanner stadium 1). Dette kræver lidt forberedelse. Først skal vi beregne en transformeret variabel med Data/Transform (husk Edit/Mode/Edit først). Hvis man markerer søjlen (klik på navnet) først og så vælger (Y ) fra menuen kommer den til at hedde igf1_sqrt. Dernæst skal vi sætte et filter (Where clause) med Data/Filter/Subset Data, hvor vi klikker os frem til tanner EQ 1. Derefter vælger vi bare Statistics/Regression/Simple og angiver under Variables sex som BYvariabel. Where tanner EQ sex= The REG Procedure : MODEL1 Analysis of Variance Mean Source DF Squares Square F Value Pr > F <.0001 Corrected Total Root MSE R-Square 0.4 Dependent Mean Adj R-Sq 0.40 Coeff Var Parameter Estimates Parameter Variable DF Estimate t Value Pr > t Intercept <.0001 age < sex= The REG Procedure : MODEL1 Analysis of Variance Mean Source DF Squares Square F Value Pr > F < Corrected Total Root MSE Dependent Mean R-Square Adj R-Sq Coeff Var Parameter Estimates Parameter Variable DF Estimate t Value Pr > t Intercept <.0001 age <.0001 Dvs. for drengene har vi regressionslinjen igf1 = alder og for pigerne igf1 = alder 1

2 Spørgsmål Undersøg om regressionslinjerne er ens for de to køn, og om der samlet set er en effekt af alder. Vi laver en samlet analyse (kovariansanalyse) med Statistics/ANOVA/Linear s ligesom i vitcap -opgaven. Where tanner EQ 1 Number of observations 515 NOTE: Due to missing values, only 11 observations can be used in this analysis <.0001 Corrected Total age <.0001 sex age*sex age <.0001 sex age*sex Parameter Estimate t Value Pr > t Intercept B <.0001 age B <.0001 sex B age*sex B age* Bemærk at vekselvirkningsleddet ikke er signifikant. Det vil sige, vi kan antage at linjerne er parallelle (har samme hældning). Hvis vi ser på Type I kvadrat summerne kan vi se at sex er signifikant hvis vi fjerner vekselvirkningsleddet. Spørgsmål 4 Gentag spørgsmål 2 og for postpubertale (alder > 25år). Her behøver vi sådan set bare at ændre filteret (til age GT 25) og køre samme analyser. Vi springer de separate analyser over og går direkte til kovariansanalysen. NOTE: Due to missing values, only 122 observations can be used in this analysis. 2

3 <.0001 Corrected Total age <.0001 sex age*sex age <.0001 sex age*sex Parameter Estimate t Value Pr > t Intercept B <.0001 age B <.0001 sex B age*sex B age* Vekselvirkningsleddet var insignifikant, så vi fjerner det og får NOTE: Due to missing values, only 122 observations can be used in this analysis < Corrected Total age <.0001 sex age <.0001 sex Parameter Estimate t Value Pr > t Intercept B <.0001 age <.0001 sex B Vi ser at sex ikke er signifikant, medens age er klart signifikant uanset om sex først fjernes

4 fra modellen (Type I SS) eller ej (Type III SS). Spørgsmål 5 Forklar hvorfor en lineær regression af igf1 overfor alder ville være misvisende, hvis man analyserede hele materialet på en gang. Læg mærke til fortegnet! igf1 stiger med alderen for de små og falder med alderen for de voksne. Hvis man blander dem sammen får man en næsten vandret regressionslinje, som selvfølgelig slet ikke beskriver data. I har vel husket at tegne!? (se næste side) Spørgsmål 6 Udvid analysen i spørgsmål 4 til en multipel regressionsanalyse, idet højde, vægt og BMI = vægt/højde 2 inddrages. Her skal man lige først ind i Data/Transform og udføre beregningen af bmi = weight/(height/100)**2 NOTE: Due to missing values, only 6 observations can be used in this analysis Corrected Total age sex height weight bmi age sex height weight bmi Parameter Estimate t Value Pr > t Intercept B age sex B height weight bmi

5 Figur 1: Hele Juul-materialet. Det ses at der ikke er noget der bliver signifikant. Type I kvadratsummerne kan bruges til successiv modelreduktion. Men hov!: Alderen ser heller ikke ud til at være signifikant nu. Lige før var den klart signifikant! Hvordan gik det til? Sagen er at variansanalyseskemaet beregnes på de data der indgår i den fulde model, og der indgår kun 6 observationer i den mod 122 nå vi kun ser på alder og køn. Vægt og højde er kun registreret på et fåtal af personerne. Det er en effekt man skal være på vagt overfor, især når man har mange kovariater. 5