Utilisation du modèle logistique à 3 paramètres (L3P)Salut,
Nous examinons des données biologiques représentant une amplification que nous utilisons JMP pour adapter le modèle L3P à
- et obtiennent ainsi le taux de croissance, l'asymptote et le point d'inflexion sur les courbes sigmoïdes qui en résultent.
Nous utilisons ensuite le paramètre de taux de croissance spécifiquement dans un test ANOVA pour détecter si les courbes (c'est-à-dire le test biologique) sont affectées négativement par les provocations, dans l'attente d'une provocation défavorable entraînant le rejet de l'hypothèse nulle.
Le problème que je rencontre, c'est que plus le défi est défavorable - plus il est probable que l'un ou l'autre certains ou tous des tests ne fonctionnent pas (les courbes ne sont pas générées).
Lorsque cela se produit, je ne peux pas obtenir les 3 paramètres que j'utilise dans ANOVA et je suis donc quelque peu coincé sur la façon de gérer ces données particulièrement informatives.
Le modèle (avec un défi croissant) est une variabilité croissante de la courbe qui est modélisée (vers une ligne plate), puis un nombre croissant d'amplifications échouées (lignes plates réelles) avec la gravité du défi - qui aboutit à toutes les répliques en réalité une ligne plate et aucune courbe l'ajustement étant possible.
Merci pour l'aide.
Objet : Utilisation du modèle logistique à 3 paramètres (L3P)Merci beaucoup pour cela - et c'est presque exactement 
ce que nous faisons actuellement (personnalité GLM-distribution binomiale-lien Probit) lorsque nous examinons les données que nous générons uniquement pour savoir si le test a fonctionné ou échoué.
Nous n'examinons aucun paramètre autre que celui de savoir si le test a fonctionné ou s'il n'a pas fonctionné.
Nous espérions cependant effectuer une analyse plus discriminante.
Nous nous efforçons d'utiliser une méthode pour évaluer comment le test se dégrade (sans échouer explicitement bien qu'un échec puisse se produire) à mesure que nous augmentons le niveau de défi.
Ainsi - nous obtenons souvent des données de cette forme :
unités de défi - ajustement de courbe réussi - ajustement de courbe infructueux*
-------1-------------16---------------------00- ----
-------2-------------16---------------------00 -----
-------3------------------16---------------------00 -----
-------4------------------16---------------------00 -----
-------5-------------16---------------------00 -----
-------6-------------16---------------------00 -----
-------7-------------16---------------------00- ----
Si nous devions ajuster un modèle de paramètre Log 3 à chacune des courbes sigmoïdes dans les 16 répétitions x 7 conditions ci-dessus - nous découvrons que lorsque le défi augmente de 1 à 7 - qu'il y a une diminution du taux de croissance et une diminution de l'asymptote supérieure (c'est-à-dire dans 2 des 3 paramètres générés par le modèle L3P).
Ainsi - tant que le test fonctionne et qu'un ajustement du modèle est possible - avec un défi croissant, nous ne voyons aucun changement dans le point d'inflexion, une diminution de l'asymptote supérieure et une diminution du taux de croissance), ce qui est formidable.
Tous nos problèmes surviennent lorsque nous sommes « entre » ces 2 techniques statistiques ; je veux dire par là quand un pannes sporadiques (ou plus) par exemple
unités de défi - ajustement de courbe réussi - ajustement de courbe infructueux*
-------1-------------16---------------------00- ----
-------2-------------16---------------------00 -----
-------3------------------15--------------------- 01 -----
-------4------------------16---------------------00 -----
-------5-------------15--------------------- 01 -----
-------6-------------15--------------------- 01 -----
-------7-------------14--------------------- 02 -----
se produire - car aucun modèle Log 3 P ne peut être généré dans ces quelques essais (c'est-à-dire cinq dans le tableau ci-dessus).
Je me demandais si nous pouvions utiliser la valeur de référence (c'est-à-dire proche de zéro) pour l'asymptote supérieure, 0 pour le taux de croissance et les «données manquantes» pour le point d'inflexion en cas d'échecs, c'est-à-dire dans ces 5 cas - de sorte que nous 'd avoir des données à prendre en compte dans les tests échoués pour une utilisation dans des tests de type (m) ANOVA des différences entre la gravité du défi.
D'une part, cela ressemble à une décision positive de le faire car aucune donnée n'est rejetée, mais je ne sais pas si je contreviens aux règles de normalité (requises dans les tests de type (m) ANOVA) en attribuant des valeurs de zéro aux tests échoués puis les utiliser. Bien que nous obtenions parfois des ajustements L3P aux réactions ayant échoué (valeurs R2 médiocres) - les valeurs 3P renvoyées n'ont pas de sens, sont souvent des valeurs aberrantes extrêmes - et doivent donc être supprimées si nous voulons rechercher la différence entre les tests de groupe en les utilisant.
Objet : Utilisation du modèle logistique à 3 paramètres (L3P)Vous pourriez analyser un tel tableau (défi, nombre d'échecs, nombre total de tests - 16) à l'aide d'un modèle probit.
Sélectionner Analyser > Ajuster le modèle . Sélectionnez à la fois les Les échecs et Essais colonnes de données et cliquez sur Oui . (Assurez-vous de les entrer dans cet ordre.) Sélectionnez le Défi colonne de données et cliquez sur Ajouter . Cliquez sur Moindres carrés standard et sélectionnez Modèle linéaire généralisé . Sélectionnez le Binôme distribution et la Probit fonction de lien.
Cliquez sur Courir .
Vous pouvez étendre cette analyse pour inclure l'expérience.
Ajouter Expérience comme deux effets : l'effet principal et croisé avec Défi .
Les estimations peuvent être utilisées pour tester l'importance des effets et le modèle peut être utilisé pour prédire.
L'exemple d'expérience ici pourrait être un autre facteur catégoriel ou continu. Il pourrait y avoir plusieurs facteurs dans le modèle probit.
Objet : Utilisation du modèle logistique à 3 paramètres (L3P)Ainsi, les données que nous pourrions observer pourraient ressembler à (illustrées par 16 répétitions) :
unités de défi - ajustement de courbe réussi - ajustement de courbe infructueux*
-------1-------------16---------------------00 -----
-------2-------------15---------------------01 -----
-------3------------------12---------------------04 -----
-------4------------------08---------------------08- ----
-------5-------------04---------------------12- ----
-------6-------------02---------------------14- ----
-------7-------------00---------------------16- ----
Cependant, la prochaine expérience pourrait ressembler à :
unités de défi - ajustement de courbe réussi - ajustement de courbe infructueux*
-------1-------------16---------------------00- ----
-------2-------------16---------------------00 -----
-------3------------------15---------------------01 -----
-------4------------------16---------------------00 -----
-------5-------------15---------------------01 -----
-------6-------------15---------------------01 -----
-------7-------------14---------------------02- ----
* aucune réaction ne se produit
Donc - la première expérience donne l'impression qu'elle se prête à un résultat binaire, et la seconde à un résultat quantitatif (variabilité accrue des courbes sigmoïdes avec défi évalué par asymptote / taux de croissance) - cependant, j'ai besoin d'une manière ou d'une autre de regrouper les deux en une épreuve.
Objet : Utilisation du modèle logistique à 3 paramètres (L3P)Salut,
Merci beaucoup pour la réponse et je pense avoir compris.
Le problème est que nous sommes tenus de tester le test jusqu'à l'échec et donc nos données vont de courbes sigmoïdes parfaitement superposées dans tous les cas (avec peu de défi) à une extrémité
- à travers (à l'autre extrémité) - pour reproduire des lignes plates parfaitement superposées.
Entre ces deux extrêmes, il existe un schéma d'échecs sporadiques croissants dans les échantillons répétés.
Je pensais que si je regroupais toutes nos répliques (par défi) pour générer une seule courbe - alors tant que nous avons au moins une courbe sigmoïdale réussie, nous pourrons obtenir les 3 paramètres sur chaque défi c'est-à-dire qu'il pourra effectuer un ajustement de courbe valide.
Le problème qui se pose alors - est qu'au lieu d'avoir des valeurs pour le taux de croissance, le point d'inflexion et l'asymptote dans chaque répétition - nous n'avons alors qu'une seule valeur pour toutes les répétitions - et je ne sais pas trop comment prendre cette valeur jusqu'aux tests t, aux (M)ANOVA et aux tests d'équivalence, car ce sont les valeurs réelles répétées elles-mêmes qui sont nécessaires pour effectuer ce type d'analyse.
Ma prochaine ligne de pensée était d'utiliser les données récapitulatives fournies par JMP sur la moyenne, l'ES et les intervalles de confiance sur cette courbe sigmoïde "résumée" unique et d'essayer d'effectuer une ANOVA à partir du tableau récapitulatif des données, c'est-à-dire en retirant simplement la moyenne et l'ES de la 'Par groupe' L3P s'adapte et tente cette procédure (que vous avez eu la gentillesse de fournir):
https://community.jmp.com/t5/JMP-Scripts/ANOVA-from-Data-Summary/ta-p/21487
Ce qui m'inquiète un peu, c'est de savoir si cette forme de regroupement de données de «ligne plate» avec des données de courbe sigmoïdale réelle invalidera une hypothèse sous-jacente, c'est-à-dire changera la nature de la courbe. Le point d'inflexion est une constante dans notre exercice d'ajustement de courbe, et je me demande donc si cette approche «par groupe» modifiera le point d'inflexion loin de l'endroit où nous nous attendons à ce qu'il soit.
Appréciez sincèrement l'aide !
Merci. C
Objet : Utilisation du modèle logistique à 3 paramètres (L3P)Votre facteur continu est le défi. Peut-être que votre gamme de facteurs est trop agressive et conduit à des non-réponses. Le but de l'expérience est de modéliser les données et de tester les estimations des paramètres. Pouvez-vous déplacer la plage de facteurs vers le bas ? Par exemple, si le défi était 50-100, essayez 25-75 ? De cette façon, vous pourrez peut-être obtenir plus de données utilisables pour votre modèle.
