Sind diese äquivalenten Möglichkeiten, die Antwortvariable zu modellieren?Hallo,
Mein Beispiel beinhaltet ein Experiment mit wiederholten Messungen, bei dem alle 10 Minuten ein Probedatenpunkt von jedem Probanden für insgesamt 10 Messungen (t0, t1, ..., t9) gesammelt wird.
Als einfaches Beispiel ist die interessierende Antwortvariable: das Zeitintervall zwischen aufeinander folgenden Augenblinzeln.
Meine Frage... sind die folgenden zwei Definitionen der Antwortvariablen gleichwertig?
1) Die Anzahl der Augenblitze, die in jedem 10-Minuten-Zeitfenster aufgezeichnet wurden
2) Die durchschnittliche Zeit zwischen aufeinanderfolgenden Blinksignalen in jedem 10-Minuten-Zeitfenster
Würden diese auch als Poisson, Binomial klassifiziert oder sind sie normalverteilt?
Vielen Dank,
JP
Re: Sind diese äquivalenten Möglichkeiten, die Antwortvariable zu modellieren?Wenn letztendlich versucht wird, Regressionsmodelle mit vielen "Nullen" im Antwortvariablensatz zu erstellen, gibt es eine Familie von Regressionstechniken, die generisch als "null-aufgeblasen" bezeichnet werden. Die aufblasbare Modellierungsfunktion ist Teil von JMP Pro in der Fit Model -> Generalized Regression-Persönlichkeit Distribution: ZI Binomial (und anderen). Hier ist auch ein Link zu den relevanten Abschnitten der JMP-Onlinedokumentation:
http://www.jmp.com/support/help/13/Distribution.shtml
Re: Sind diese äquivalenten Möglichkeiten, die Antwortvariable zu modellieren?Vielen Dank. Ich werde mich mit der Literatur von "chunky" -Daten befassen.
Re: Sind diese äquivalenten Möglichkeiten, die Antwortvariable zu modellieren?Ich stimme zu, dass die beiden Methoden nicht gleich sind. Hier ist ein Beispiel, das vielleicht etwas extrem ist, aber nützlich ist: Angenommen, Sie erfassen pro Monat feststellbare Verletzungen an Ihrem Unternehmensstandort mithilfe von Prozessverhaltensdiagrammen. In einigen Monaten gibt es keine Verletzungen, in einigen Monaten gibt es 1 oder 2, o3 usw. Wenn die durchschnittliche Anzahl der aufnehmbaren Verletzungen pro Monat gering ist (<6), sind die Daten "klobig" (siehe Artikel von Dr. Donald Wheeler zu Chunky-Daten), und die Kontrollkartenmethode liefert keine nützlichen Ergebnisse / Schlussfolgerungen. Wenn Sie jedoch nach "Tage zwischen aufnehmbaren Verletzungen" suchen, funktioniert die Kontrollkarte ziemlich gut.
Wie ist die Verteilung der Daten? Was macht es aus? Die I-MR-Karte erfordert nicht, dass die Daten eine bestimmte Verteilung haben!
Re: Sind diese äquivalenten Möglichkeiten, die Antwortvariable zu modellieren?Danke für Ihre Antwort.
Person 1 könnte wahrscheinlich mehr als 10 Blinksignale haben, da 15 Sekunden (9 * 5 + 40 = 85 Sekunden vs. 10 * 10 = 100 Sekunden) unberücksichtigt bleiben, wenn das Testintervall 100 Sekunden beträgt. Es wird davon ausgegangen, dass das potenzielle 11. Blinzeln für Person 1 keine Zeit größer als 15 Sekunden vom 10. Mal hat, in der es zum nächsten Zeitintervall beitragen würde.
Davon abgesehen, war Ihr Standpunkt klar und macht viel Sinn.
Re: Sind diese äquivalenten Möglichkeiten, die Antwortvariable zu modellieren?Ich denke, Sie sollten diese beiden Antworten nicht gleich behandeln. Vergleichen Sie einfach die beiden Szenarien:
Person 1 blinkt regelmäßig.
Person 2 hat eine höhere Häufigkeit des Blinzelns, aber einmal aus irgendeinem Grund, einmal hatte sie eine lange Zeit zwischen zwei Blinzeln.
Daten 
Mittel und Standard Devs
Beide können mit der gleichen Anzahl von Blinzeln enden, haben aber unterschiedliche mittlere Zeiten zwischen den Blinkzeichen.
Die Anzahl der Blinksignale ist wahrscheinlich poissonverteilt.
Die durchschnittliche Zeit zwischen Blinzeln kann durch eine Normalverteilung angenähert werden, ist aber wahrscheinlich eher eine weibliche Verteilung oder eine Gamma-Verteilung, da Zeiten nicht negativ sein können.
