¿Son estas formas equivalentes de modelar la variable de respuesta?Hola,
Mi ejemplo involucra un experimento de mediciones repetidas donde se recopila un punto de datos de muestra de cada sujeto cada 10 minutos, para un total de 10 mediciones (t0, t1, ..., t9).
Como un simple ejemplo, la variable de respuesta de interés es: el intervalo de tiempo entre parpadeos consecutivos del ojo.
Mi pregunta... ¿Son equivalentes las siguientes dos definiciones de la variable de respuesta?
1) El número de parpadeos del ojo registrados en cada ventana de tiempo de 10 minutos
2) El tiempo promedio entre parpadeos consecutivos en cada ventana de tiempo de 10 minutos
Además, ¿se clasificarían como Poisson, binomial o se distribuyen normalmente?
Gracias,
JP
Re: ¿Son estas formas equivalentes de modelar la variable de respuesta?Si finalmente se intenta construir modelos de regresión con muchos 'ceros' en el conjunto de variables de respuesta, hay una familia de técnicas de regresión conocidas genéricamente como 'cero inflado'. La capacidad de modelado con inflado cero es parte de JMP Pro en el Modelo de ajuste -> Personalización de regresión generalizada, Distribución: Binomial ZI (y otros). Aquí hay un enlace a las secciones relevantes de la documentación en línea de JMP también:
http://www.jmp.com/support/help/13/Distribution.shtml
Re: ¿Son estas formas equivalentes de modelar la variable de respuesta?Gracias. Voy a mirar en la literatura de datos 'grueso'.
Re: ¿Son estas formas equivalentes de modelar la variable de respuesta?Estoy de acuerdo en que los dos métodos no son los mismos. Este es un ejemplo que puede ser un poco extremo, pero es útil: suponga que está rastreando lesiones registrables por mes en la ubicación de su empresa a través de las tablas de comportamiento del proceso. Algunos meses hay cero lesiones, algunos meses hay 1 o 2, o3, etc. Si el número promedio de lesiones registrables por mes es bajo (<6), entonces los datos son "abundantes" (consulte los artículos del Dr. Donald Wheeler sobre los datos de Chunky), y el método de la tabla de control no arroja resultados / conclusiones útiles. SIN EMBARGO, si realiza un seguimiento por "Días entre lesiones registrables", el cuadro de control funciona bastante bien.
¿Cuál es la distribución de los datos? ¿Que importa? ¡El gráfico I-MR no requiere que los datos tengan una distribución particular!
Re: ¿Son estas formas equivalentes de modelar la variable de respuesta?Gracias por su respuesta.
La persona 1 probablemente podría tener más de 10 parpadeos ya que hay 15 segundos (9 * 5 + 40 = 85s vs. 10 * 10 = 100s) sin contabilizar si el intervalo de prueba fue de 100s. Esto es asumiendo que el undécimo parpadeo potencial para la persona 1 no tiene un tiempo superior a 15 segundos desde el 10, en el cual contribuiría al siguiente intervalo de tiempo.
Dicho esto, tu punto fue claro y tiene mucho sentido.
Re: ¿Son estas formas equivalentes de modelar la variable de respuesta?Creo que no deberías tratar esas dos respuestas de la misma manera. Solo compara los dos escenarios:
La persona 1 tiene una frecuencia muy regular de parpadeo.
La persona 2 tiene una mayor frecuencia de parpadeo, pero una vez por la razón que sea, una vez que tuvo mucho tiempo entre dos parpadeos.
Datos 
Medios y Std. Devs
Ambos pueden terminar con el mismo número de parpadeos, pero tienen tiempos medios diferentes entre parpadeos.
El número de parpadeos es probablemente poisson distribuido.
El tiempo promedio entre parpadeos puede ser aproximado por una distribución normal, pero probablemente sea más como una distribución de weibull o gamma, ya que los tiempos no pueden ser negativos.
