Statistische Analyse für Blutzuckermessungen

Ich habe ein Labor durchgeführt, das darauf abzielte, die Auswirkungen der Aufnahme löslicher Ballaststoffe auf die Veränderung des Blutzuckerspiegels herauszufinden. Nach einer 8-stündigen Fastenzeit ließ ich die Testpersonen eine festgelegte Menge an Kohlenhydraten mit einer unterschiedlichen Menge an löslichen Ballaststoffen zu sich nehmen und ihren Blutzucker in 20-Minuten-Intervallen messen. Dies wurde bei jedem Test zwei Stunden lang durchgeführt, im Allgemeinen bis der Blutzuckerspiegel auf den Normalwert gesunken war.

5 Testpersonen wurden für den Test verwendet, jede mit individuellen Blutzuckerreaktionen – zum Beispiel hatte jede konstant unterschiedliche Nüchtern-Blutzuckerwerte vor der Nahrungsaufnahme, jede hatte konstant unterschiedliche Blutzuckerspitzen und so weiter. Jede Testperson wurde 4 Mal getestet, einmal ohne lösliche Ballaststoffe und 3 weitere mit unterschiedlichen Mengen an löslichen Ballaststoffen. Die Rohdaten, mit denen ich jetzt verbleibe, sind einfach eine Sammlung von Streudiagrammen, die einen Anstieg des Blutzuckers vom Normalzustand, einen Höhepunkt und einen anschließenden Abfall zum Normalzustand zeigen.

Ich kann meinen Diagrammen deutlich entnehmen, dass durch mehr lösliche Ballaststoffe die Blutzuckerspitzen kleiner und länger zu erreichen sind. Die Daten folgten diesem Trend aufgrund einer Fehlerquelle nicht immer, aber eine Beziehung ist dennoch offensichtlich. Ich hoffe, aus diesen Daten eine Schlussfolgerung ziehen zu können. Welche statistische Analysemethode könnte ich verwenden, um aus diesen Streudiagrammen auf eine Beziehung zu schließen? Ich möchte, dass die Methode unterschiedliche individuelle Antworten berücksichtigt, sowie die wenigen Datensätze, die keinen Zusammenhang bestätigen.

Ich schätze Ihre Hilfe!

Sie haben ein ziemlich komplexes experimentelles Design. Ich denke, diese Frage ist besser für stats.SE geeignet, wo es eher diejenigen mit Fachwissen gibt.

Antworten (1)

Es würde helfen, Ihre Pläne zu sehen. Die Art und Weise, wie ich mir vorstellen würde, diese Daten darzustellen, sind keine Streudiagramme, sondern Liniendiagramme:

schematische Messungen Blutzuckerspiegel

(Jede Linie hätte ein Konfidenzintervall/eine Standardabweichung von Ihren verschiedenen Testpersonen. Dies ist nur eine schematische Darstellung. Die Farbe stellt verschiedene experimentelle Bedingungen dar. Lassen Sie mich wissen, wenn ich Ihr Experiment falsch verstanden habe.)

Nun, was ist Ihre eigentliche Frage? Ihre Hypothese? Sie möchten wissen, ob der Zeitpunkt oder die Höhe des Blutzuckerspiegels zwischen den verschiedenen Ballaststoffspiegeln unterschiedlich ist, richtig?

Warum also nicht messen? Zu welcher Zeit finden Sie den Höhepunkt für jedes Subjekt und jede experimentelle Bedingung und wie hoch ist der Blutzuckerspiegel zu diesem Zeitpunkt? Ihre Nullhypothese wäre, dass es keinen Unterschied zwischen den Testbedingungen gibt.

Spitzenhöhe

Hier zeigen einige Scheindaten die Datenstreuung Ihrer 5 Testpersonen der Spitzenhöhenmessungen in den 4 verschiedenen Testbedingungen. Jetzt haben Sie Ihre Daten auf eine Frage reduziert, bei der Sie einen statistischen Test verwenden könnten, um zu sehen, ob Sie die Nullhypothese ablehnen können.

Eine Sache, die Sie tun könnten, ist eine ANOVA mit z. B. Dunnetts Post-hoc-Test durchzuführen , um Ihre Faserbedingungen mit den Kontrollbedingungen zu vergleichen

Ein Problem dabei ist, dass Ihre Bedingungen nicht wirklich unabhängig sind. Und Ihre eigentliche Frage ist nicht, ob eine dieser Bedingungen anders ist. Ihre Hypothese wäre eher, ob es einen Zusammenhang zwischen Fasergehalt und Peakhöhe/-verzögerung gibt (Nullhypothese wäre: es besteht kein Zusammenhang).

Hier sind die gleichen Scheindaten in einem Streudiagramm (Farbe stellt Testpersonen dar, sie überlappen sich, aber nehmen wir an, es gibt 5 Datenpunkte für jede Bedingung) mit einer Trendlinie, die zeigt, dass mit zunehmendem Fasergehalt eine Verringerung der Spitzenhöhe auftritt:

Peakhöhenstreuung

Sie könnten daher eine Korrelationsanalyse versuchen und die statistische Signifikanz Ihres Korrelationskoeffizienten testen.

Wie Sie sehen, hängt die statistische Analyse sehr stark von Ihrer Hypothese ab und davon, wie Sie Ihre Rohmessungen analysieren. Ich hoffe, ich habe das Problem richtig identifiziert und dies hilft Ihnen bei Ihrer Analyse.

Ja, das macht absolut Sinn! Ich schätze Ihre Hilfe sehr.
Statistische Analyse für Blutzuckermessungen
AntwortenHierDatenschutz-Bestimmungen1y, 0v