Verwendung des Logistic 3 Parameter (L3P)-ModellsHallo,
Wir betrachten einige biologische Daten, die eine Verstärkung darstellen, an die wir JMP verwenden, um das L3P-Modell anzupassen
- und erhalten dadurch die Wachstumsrate, die Asymptote und den Wendepunkt auf den resultierenden Sigmoidkurven.
Anschließend verwenden wir den Wachstumsratenparameter speziell in einem ANOVA-Test, um festzustellen, ob die Kurven (dh der biologische Test) durch Herausforderungen negativ beeinflusst werden, in der Erwartung, dass eine negative Herausforderung dazu führt, dass wir die Nullhypothese ablehnen.
Das Problem, das ich habe, ist, dass die Wahrscheinlichkeit für beides umso größer ist, je ungünstiger die Herausforderung ist einige oder alle der Tests funktionieren nicht (Kurven werden nicht generiert).
In diesem Fall kann ich die drei Parameter, die ich in der ANOVA verwende, nicht abrufen und weiß daher nicht, wie ich mit diesen besonders informativen Daten umgehen soll.
Das Muster (mit zunehmender Herausforderung) besteht aus einer zunehmenden Variabilität in der modellierten Kurve (in Richtung einer flachen Linie) und einer dann steigenden Anzahl fehlgeschlagener Amplifikationen (tatsächliche flache Linien) mit der Schwere der Herausforderung – was darin gipfelt, dass alle Replikate tatsächlich eine flache Linie und keine Kurve aufweisen Passform möglich.
Danke für die Hilfe.
Betreff: Verwendung des Logistic 3 Parameter (L3P)-ModellsVielen Dank dafür – und es ist fast genau 
Was wir derzeit tun (GLM-Persönlichkeit-Binomialverteilung-Probit-Link), wenn wir die von uns generierten Daten nur daraufhin untersuchen, ob der Test funktioniert hat oder fehlgeschlagen ist.
Wir beschäftigen uns hier mit keinem anderen Parameter als der Frage, ob der Test funktioniert hat oder nicht.
Wir hatten jedoch gehofft, eine differenziertere Analyse durchführen zu können.
Wir sind bestrebt, eine Methode zu verwenden, mit der wir beurteilen können, wie sich der Test verschlechtert (ohne explizit zu versagen, auch wenn es zu Fehlern kommen kann), wenn wir den Grad der Herausforderung erhöhen.
Daher erhalten wir häufig Daten dieser Form:
Herausforderungseinheiten – erfolgreiche Kurvenanpassung – erfolglose Kurvenanpassung*
-------1------------------16-------00- ----
-------2------------------16-------00 -----
-------3------------------16-------00 -----
-------4------------------16-------00 -----
-------5------------------16-------00 -----
-------6------------------16-------00 -----
-------7------------------16-------00- ----
Wenn wir ein Log-3-Parametermodell an jede der Sigmoidkurven in den oben genannten 16 Wiederholungen x 7-Bedingungen anpassen würden, stellen wir fest, dass es mit zunehmender Herausforderung von 1 auf 7 zu einer Abnahme der Wachstumsrate und einer Abnahme der oberen Asymptote kommt (dh in 2 der 3 vom L3P-Modell generierten Parameter).
Solange der Assay funktioniert und eine Modellanpassung möglich ist, sehen wir mit zunehmender Herausforderung, dass sich der Wendepunkt nicht ändert, die obere Asymptote abnimmt und die Wachstumsrate abnimmt, was großartig ist.
Alle unsere Probleme entstehen, wenn wir uns „zwischen“ diesen beiden statistischen Techniken befinden; damit meine ich, wenn a sporadische (oder mehr) Ausfälle z.B
Herausforderungseinheiten – erfolgreiche Kurvenanpassung – erfolglose Kurvenanpassung*
-------1------------------16-------00- ----
-------2------------------16-------00 -----
-------3------------------15------ 01 -----
-------4------------------16-------00 -----
-------5------------------15------ 01 -----
-------6------------------15------ 01 -----
-------7------------------14------ 02 -----
auftreten, da in diesen wenigen (dh fünf in der Tabelle oben) Tests kein Log 3 P-Modell generiert werden kann.
Ich habe mich gefragt, ob wir im Falle von Ausfällen, also in diesen 5 Fällen, den Basiswert (also nahe Null) für die obere Asymptote, 0 für die Wachstumsrate und „fehlende Daten“ für den Wendepunkt verwenden könnten – so dass wir Ich hätte Daten, die ich in fehlgeschlagenen Tests weiterverarbeiten könnte, um sie in (m)ANOVA-ähnlichen Tests für Unterschiede zwischen der Schwere der Herausforderung zu verwenden.
Einerseits scheint es ein positiver Schritt zu sein, dies zu tun, da keine Daten verworfen werden. Ich bin mir jedoch nicht sicher, ob ich gegen die Normalitätsregeln verstoße (erforderlich in (m)ANOVA-ähnlichen Tests), indem ich fehlgeschlagenen Tests Werte von Null zuweise und sie dann zu verwenden. Obwohl wir manchmal L3P-Anpassungen an fehlgeschlagene Reaktionen (schlechte R2-Werte) erhalten, ergeben die zurückgegebenen 3P-Werte keinen Sinn, sind häufig extreme Ausreißer und müssen daher gelöscht werden, wenn wir mithilfe dieser Werte Unterschiede zwischen Gruppentests ermitteln wollen.
Betreff: Verwendung des Logistic 3 Parameter (L3P)-ModellsSie könnten eine solche Tabelle (Herausforderung, Anzahl der Fehler, Gesamtzahl der Tests – 16) mithilfe eines Probit-Modells analysieren.
Wählen Analysieren > Modell anpassen . Wählen Sie beide aus Misserfolge Und Tests Datenspalten und klicken Sie auf Y . (Achten Sie darauf, sie in dieser Reihenfolge einzugeben.) Wählen Sie die aus Herausforderung Datenspalte und klicken Sie Hinzufügen . Klicken Standardmäßige kleinste Quadrate und auswählen Verallgemeinertes lineares Modell . Wähle aus Binomial Verbreitung und die Probit Linkfunktion.
Klicken Laufen .
Sie können diese Analyse um das Experiment erweitern.
Hinzufügen Experiment als zwei Effekte: der Haupteffekt und gekreuzt mit Herausforderung .
Mithilfe der Schätzungen kann die Signifikanz der Effekte getestet und das Modell zur Vorhersage genutzt werden.
Das Experimentbeispiel hier könnte ein weiterer kategorialer oder kontinuierlicher Faktor sein. Im Probit-Modell können mehrere Faktoren eine Rolle spielen.
Betreff: Verwendung des Logistic 3 Parameter (L3P)-ModellsDie Daten, die wir beobachten könnten, könnten also so aussehen (dargestellt mit 16 Replikaten):
Herausforderungseinheiten – erfolgreiche Kurvenanpassung – erfolglose Kurvenanpassung*
-------1------------------16-------00 -----
-------2----15-------01 -----
-------3----12-------04 -----
-------4------------------08-------08- ----
-------5------------------04-------12- ----
-------6----02-------14- ----
-------7----00-------16- ----
Das nächste Experiment könnte jedoch so aussehen:
Herausforderungseinheiten – erfolgreiche Kurvenanpassung – erfolglose Kurvenanpassung*
-------1------------------16-------00- ----
-------2------------------16-------00 -----
-------3------------------15-------01 -----
-------4------------------16-------00 -----
-------5----15-------01 -----
-------6----15-------01 -----
-------7------------------14-------02- ----
* Es tritt keine Reaktion auf
Also – das erste Experiment fühlt sich an, als ob es sich für ein binäres Ergebnis eignet, und das zweite für ein quantitatives Ergebnis (erhöhte Variabilität in Sigmoidkurven mit Herausforderung, bewertet durch Asymptote/Wachstumsrate) – ich muss die beiden jedoch irgendwie zusammenfassen ein Test.
Betreff: Verwendung des Logistic 3 Parameter (L3P)-ModellsHallo,
Vielen Dank für die Antwort und ich glaube, ich verstehe.
Das Problem besteht darin, dass wir den Assay bis zum Scheitern testen müssen und unsere Daten daher in allen Fällen (mit geringer Herausforderung) an einem Ende von perfekt überlagerten replizierten Sigmoidalkurven reichen
- durch (am anderen Ende) - um perfekt überlagerte flache Linien nachzubilden.
Zwischen diesen beiden Extremen gibt es ein Muster zunehmender sporadischer Ausfälle bei Replikatproben.
Ich dachte, wenn ich alle unsere Replikate (nach Herausforderung) gruppiere, um nur eine Kurve zu generieren, dann könnten wir, solange wir mindestens eine erfolgreiche Sigmoidalkurve haben, die drei Parameter für jede Herausforderung erhalten Das heißt, Sie können eine gültige Kurvenanpassung durchführen.
Das Problem, das dann entsteht, besteht darin, dass wir statt der Werte für die Wachstumsrate, den Wendepunkt und die Asymptote in jedem Replikat nur einen Wert für alle Replikate haben – und ich bin mir nicht ganz sicher, wie ich diesen einen Wert nehmen soll bis hin zu t-Tests, (M)ANOVAs und Äquivalenztests, da für die Durchführung dieser Art von Analyse die tatsächlichen Replikatwerte selbst erforderlich sind.
Mein nächster Gedankengang bestand darin, die zusammenfassenden Daten zu verwenden, die JMP zu Mittelwert, SE und Konfidenzintervallen auf dieser einzelnen „zusammenfassenden“ Sigmoidkurve liefert, und zu versuchen, eine ANOVA aus der Datenzusammenfassungstabelle durchzuführen, indem ich einfach Mittelwert und SE aus der Tabelle heraushebe „Nach Gruppen“-L3P-Anpassung und Versuch dieses Verfahrens (das Sie uns freundlicherweise zur Verfügung gestellt haben):
https://community.jmp.com/t5/JMP-Scripts/ANOVA-from-Data-Summary/ta-p/21487
Was mich ein wenig beunruhigt, ist, ob diese Form der Gruppierung von „Flachlinien“-Daten mit tatsächlichen Sigmoidalkurvendaten eine zugrunde liegende Annahme entkräften wird, dh die Art der Kurve verändern wird. Der Wendepunkt ist eine Konstante in unserer Kurvenanpassungsübung, und daher frage ich mich, ob dieser „nach Gruppen“-Ansatz den Wendepunkt von der erwarteten Stelle weg verändert.
Ich bin wirklich dankbar für die Hilfe!
Danke. C.
Betreff: Verwendung des Logistic 3 Parameter (L3P)-ModellsIhr kontinuierlicher Faktor ist die Herausforderung. Möglicherweise ist Ihr Faktorbereich zu aggressiv und führt zu Antwortausfällen. Der Zweck des Experiments besteht darin, die Daten zu modellieren und die Parameterschätzungen zu testen. Können Sie den Faktorbereich nach unten verschieben? Wenn die Herausforderung beispielsweise 50–100 war, versuchen Sie es mit 25–75? Auf diese Weise können Sie möglicherweise mehr nutzbare Daten für Ihr Modell erhalten.
