Sono questi modi equivalenti per modellare la variabile di risposta?Ciao,
Il mio esempio prevede un esperimento di misure ripetute in cui un punto dati di esempio viene raccolto da ciascun soggetto ogni 10 minuti, per un totale di 10 misurazioni (t0, t1, ..., t9).
Come semplice esempio, la variabile di risposta di interesse è: l'intervallo di tempo tra gli occhi lampeggianti consecutivi.
La mia domanda... sono le seguenti due definizioni della variabile di risposta equivalente?
1) Il numero di occhi lampeggiati in ciascuna finestra temporale di 10 minuti
2) Il tempo medio tra lampeggi consecutivi in ciascuna finestra temporale di 10 minuti
Inoltre, questi sarebbero classificati come Poisson, binomiali o sono distribuiti normalmente?
Grazie,
JP
Ri: Sono questi modi equivalenti per modellare la variabile di risposta?Se alla fine si cerca di costruire modelli di regressione con molti "zeri" nella serie di variabili di risposta, esiste una famiglia di tecniche di regressione note genericamente come "zero inflazionate". La capacità di modellazione zero-gonfiata è una parte di JMP Pro nel Modello di adattamento -> Regressione generalizzata personalità, Distribuzione: Binomiale ZI (e altri). Ecco un link alle sezioni pertinenti della documentazione online JMP:
http://www.jmp.com/support/help/13/Distribution.shtml
Ri: Sono questi modi equivalenti per modellare la variabile di risposta?Grazie. Guarderò nella letteratura di dati "pesanti".
Ri: Sono questi modi equivalenti per modellare la variabile di risposta?Sono d'accordo che i due metodi non sono la stessa cosa. Ecco un esempio che potrebbe essere un po 'estremo, ma è utile: supponiamo di tenere traccia degli infortuni registrabili al mese presso la sede della tua azienda tramite i grafici di comportamento del processo. Alcuni mesi ci sono zero feriti, alcuni mesi ci sono 1, o 2, o3, ecc. Se il numero medio di infortuni registrabili al mese è basso (<6), allora i dati sono "pesanti" (vedi articoli del Dr. Donald Wheeler su dati Chunky), e il metodo del diagramma di controllo non produce risultati utili / conclusioni. TUTTAVIA, se si tiene traccia di "Giorni tra feriti registrabili", la tabella di controllo funziona abbastanza bene.
Qual è la distribuzione dei dati? Cosa importa? Il grafico I-MR non richiede che i dati abbiano una distribuzione particolare!
Ri: Sono questi modi equivalenti per modellare la variabile di risposta?Grazie per la risposta.
La persona 1 potrebbe probabilmente avere più di 10 lampeggi in quanto ci sono 15 secondi (9 * 5 + 40 = 85 secondi contro 10 * 10 = 100 secondi) non rilevati se l'intervallo di test era 100 secondi. Ciò presuppone che il potenziale undicesimo battito di palpebra per la persona 1 non abbia un tempo superiore a 15 secondi dal decimo, nel quale contribuirebbe all'intervallo di tempo successivo.
Detto questo, il tuo punto era chiaro e ha molto senso.
Ri: Sono questi modi equivalenti per modellare la variabile di risposta?Penso che non dovresti trattare queste due risposte allo stesso modo. Basta confrontare i due scenari:
La persona 1 ha una frequenza molto regolare di lampeggiare.
La persona 2 ha una frequenza più alta di battito delle palpebre, ma una volta, per qualsiasi ragione, una volta ha avuto un lungo periodo di tempo tra due battiti di ciglia.
Dati 
Mezzi e Std. devs
Entrambi potrebbero finire con lo stesso numero di lampeggiamenti, ma hanno tempi medi diversi tra lampeggia.
Il numero di lampeggiamenti è probabilmente distribuito a poisson.
Il tempo medio tra i lampeggiamenti potrebbe essere approssimato da una distribuzione normale, ma probabilmente è più simile a una distribuzione di un tubulo o una distribuzione gamma, poiché i tempi non possono essere negativi.
