Logistic 3 參數 (L3P) 模型的使用你好，
我們正在查看一些代表擴增的生物數據，我們正在使用 JMP 來擬合 L3P 模型
- 從而獲得所產生的 S 形曲線上的增長率、漸近線和拐點。
然後，我們在方差分析測試中專門使用增長率參數來檢測曲線（即生物測試）是否受到挑戰的不利影響，預計不利的挑戰會導致我們拒絕原假設。
我遇到的問題是，挑戰越不利，出現任何一種情況的可能性就越大部分或全部檢測不起作用（未生成曲線）。
發生這種情況時，我無法獲取在方差分析中使用的 3 個參數，因此在如何處理這些信息豐富的數據上有些困惑。
該模式（隨著挑戰的增加）是模型曲線的變異性增加（朝向平坦線），然後隨著挑戰的嚴重程度增加失敗的擴增（實際平坦線）的數量 - 最終導致所有重複實際上平坦線並且沒有曲線適合是可能的。
謝謝您的幫助。
回复：Logistic 3 參數 (L3P) 模型的使用非常感謝 - 這幾乎完全一樣:)我們目前正在做的事情（GLM 個性-二項式分佈-Probit 鏈接），當我們檢查我們生成的數據時，僅確定測定是否有效。
除了檢測是否有效之外，我們不會關注任何參數。
我們希望能夠進行更具辨別力的分析。
當我們提高挑戰水平時，我們正在努力使用一種方法來評估測定的降解情況（雖然可能會發生失敗，但不會明確失敗）。
所以——我們經常獲得這種形式的數據：
挑戰單位 - 成功的曲線擬合 - 不成功的曲線擬合*
-------1-----------------16---------------------00- ----
-------2------------------16---------------------00 -----
-------3------------------16---------------------00 -----
-------4------------------16---------------------00 -----
-------5------------------16---------------------00 -----
-------6------------------16---------------------00 -----
-------7------------------16---------------------00- ----
如果我們將 Log 3 參數模型擬合到上述 16 個重複 x 7 條件中的每條 S 形曲線 - 我們發現隨著挑戰從 1 增加到 7 - 增長率會下降，上漸近線也會下降（即 L3P 模型生成的 3 個參數中的 2 個）。
因此，只要檢測有效並且模型擬合是可能的，隨著挑戰的增加，我們看到拐點沒有變化，上漸近線減少，增長率下降），這很好。
當我們處於這兩種統計技術之間時，我們所有的問題都會出現；我的意思是當零星（或更多）故障例如
挑戰單位 - 成功的曲線擬合 - 不成功的曲線擬合*
-------1-----------------16---------------------00- ----
-------2------------------16---------------------00 -----
-------3------------------15--------------------- 01 -----
-------4------------------16---------------------00 -----
-------5------------------15--------------------- 01 -----
-------6------------------15--------------------- 01 -----
-------7------------------14--------------------- 02 -----
發生 - 因為在這幾個（即上表中的五個）測定中無法生成 Log 3 P 模型。
我一直想知道我們是否可以使用基線值（即接近於零）作為上漸近線，使用 0 作為增長率，使用“缺失數據”作為故障情況下的拐點，即在這 5 種情況下 - 這樣我們會有數據可以在失敗的測定中繼續使用，用於類似 (m)ANOVA 的挑戰嚴重程度之間差異的測試。
一方面，這樣做感覺像是一個積極的舉動，因為沒有數據被丟棄，但是我不確定我是否通過將失敗的測定值分配為零而違反了正態性規則（（m）ANOVA 類測試中所需的）然後使用它們。 儘管我們有時確實獲得了對失敗反應（較差的 R2 值）的 L3P 擬合，但返回的 3P 值沒有意義，通常是極端異常值，因此如果我們要使用它們來追求組測試之間的差異，則必須將其刪除。
回复：Logistic 3 參數 (L3P) 模型的使用您可以使用概率模型分析這樣的表（挑戰、失敗次數、測試總數 - 16）。
選擇分析>適合模型。 選擇兩個失敗和測試數據列並單擊是。 （請務必按順序輸入它們。）選擇挑戰數據列並單擊添加。點擊標準最小二乘法並選擇廣義線性模型。 選擇二項式分佈和普羅比特鏈接功能。
點擊跑步。
您可以擴展此分析以包括實驗。
添加實驗作為兩個效應：主效應和交叉效應挑戰。
估計值可用於測試效果的顯著性，模型可用於預測。
這裡的實驗示例可能是另一個分類或連續因素。 概率模型中可能存在多個因素。
回复：Logistic 3 參數 (L3P) 模型的使用因此，我們可能觀察到的數據可能如下所示（用 16 個重複進行說明）：
挑戰單位 - 成功的曲線擬合 - 不成功的曲線擬合*
-------1-----------------16---------------------00 -----
-------2------------------15---------------------01 -----
-------3------------------12---------------------04 -----
-------4------------------08---------------------08- ----
-------5------------------04---------------------12- ----
-------6------------------02---------------------14- ----
-------7------------------00---------------------16- ----
然而下一個實驗可能看起來像：
挑戰單位 - 成功的曲線擬合 - 不成功的曲線擬合*
-------1-----------------16---------------------00- ----
-------2------------------16---------------------00 -----
-------3------------------15---------------------01 -----
-------4------------------16---------------------00 -----
-------5------------------15---------------------01 -----
-------6------------------15---------------------01 -----
-------7------------------14---------------------02- ----
* 無反應發生
所以 - 第一個實驗感覺好像它適合於二元結果，第二個實驗適合定量結果（通過漸近線/增長率評估挑戰，S形曲線的變異性增加） - 然而，我需要以某種方式將兩者結合在一起一項測試。
回复：Logistic 3 參數 (L3P) 模型的使用嗨，
非常感謝您的回复，我想我明白了。
問題是，我們需要測試該測定是否失敗，因此我們的數據范圍是在所有情況下（幾乎沒有挑戰）在一端完美疊加的複制 S 形曲線
- 通過（在另一端）- 完美疊加複制扁平線。
在這兩個極端之間，重複樣本中的零星故障不斷增加。
我在想，如果我將所有重複（按挑戰）分組在一起生成一條曲線 - 那麼只要我們至少有一條成功的 S 形曲線，我們就能夠獲得每個挑戰的 3 個參數即能夠執行有效的曲線擬合。
但隨後出現的問題是，不是每個重複中都有增長率、拐點和漸近線的值，而是所有重複只有 1 個值，而且我不太確定如何取這個值直到 t 檢驗、(M)ANOVA 和等價檢驗，因為執行此類分析需要的是實際的重複值本身。
我的下一個想法是使用 JMP 在該單一“匯總”S 形曲線上提供的平均值、SE 和置信區間的匯總數據，並嘗試從數據匯總表中執行方差分析，即通過簡單地將平均值和 SE 從“按組”L3P 適合併嘗試此過程（您已經好心提供）：
https://community.jmp.com/t5/JMP-Scripts/ANOVA-from-Data-Summary/ta-p/21487
讓我有點擔心的是，這種“平線”數據與實際 S 形曲線數據的分組形式是否會使某些基本假設無效，即會改變曲線的性質。 拐點在我們的曲線擬合練習中是一個常數，因此我想知道這種“按組”方法是否會將拐點改變為遠離我們預期的位置。
衷心感謝您的幫助！
謝謝。 C。
回复：Logistic 3 參數 (L3P) 模型的使用你的持續因素是挑戰。 也許您的因素範圍過於激進並導致無響應。 實驗的重點是對數據進行建模並測試參數估計。 您可以將因子範圍調低嗎？ 例如，如果挑戰是 50-100，嘗試 25-75？ 這樣您就可以為您的模型獲得更多可用的數據。
