ロジスティック 3 パラメーター (L3P) モデルの使用やあ、
私たちは増幅を表すいくつかの生物学的データを調べており、JMP を使用して L3P モデルを適合させています。
- それにより、結果として得られるシグモイド曲線の成長率、漸近線、および変曲点を取得しています。
次に、負仮説を棄却する結果となる不利なチャレンジの予想の下で、曲線 (つまり生物学的テスト) がチャレンジによって悪影響を受けるかどうかを検出するために、特に ANOVA 検定で成長率パラメーターを使用します。
私が経験している問題は、課題が不利であればあるほど、どちらかの可能性が高くなるということです。一部または全部機能していないアッセイ (曲線が生成されていない) の数。
この問題が発生すると、ANOVA で使用している 3 つのパラメーターを取得できなくなり、この特に有益なデータをどのように処理するかで多少行き詰まります。
(課題が増加するにつれて) パターンは、モデル化された曲線の変動が増加し (平らな線に向かって)、その後、課題の重大度に応じて失敗した増幅 (実際の平らな線) の数が増加し、最終的にすべての複製が実際には平らな線となり、曲線が表示されなくなります。フィット感が可能です。
助けてくれてありがとう。
Re: ロジスティック 3 パラメーター (L3P) モデルの使用とても感謝しています - そしてそれはほぼ正確です:)私たちが現在行っていること (GLM パーソナリティ - 二項分布 - プロビット リンク) は、アッセイが成功したか失敗したかについてのみ生成したデータを検査するときです。
私たちは、アッセイがうまくいったかどうか以外のパラメーターを調べているわけではありません。
しかし、私たちはより識別力のある分析を実行したいと考えていました。
私たちは、課題のレベルを高めるにつれて、アッセイがどのように劣化するかを (失敗は発生する可能性がありますが、明示的に失敗することなく) 評価する方法を使用するよう努めています。
したがって、私たちはよく次のような形式のデータを取得します。
チャレンジ ユニット - 成功したカーブ フィット - 失敗したカーブ フィット*
----------1------16----------00- ----
----------2-----16----------00 -----
----------3-----------------16----------00 -----
----------4-----16----------00 -----
----------5------16----------00 -----
----------6------16----------00 -----
----------7-----------------16----------00- ----
上記の 16 回の反復 x 7 条件の各シグモイド曲線に Log 3 パラメーター モデルを当てはめると、課題が 1 から 7 に増加するにつれて、成長率が低下し、上部漸近線が減少していることがわかります。 (つまり、L3P モデルによって生成された 3 つのパラメーターのうち 2 つ)。
したがって、アッセイが機能し、モデルの適合が可能である限り、課題が増加しても、変曲点の変化、上部漸近線の減少、および成長率の減少が見られます。これは素晴らしいことです。
すべての問題は、これら 2 つの統計手法の「中間」にあるときに発生します。つまり、いつ散発的な (またはそれ以上の) 障害例えば
チャレンジ ユニット - 成功したカーブ フィット - 失敗したカーブ フィット*
----------1------16----------00- ----
----------2-----16----------00 -----
----------3-----15---------- 01 -----
----------4-----16----------00 -----
-----------5------15---------- 01 -----
----------6------15---------- 01 -----
----------7-----14---------- 02 -----
これらの少数（すなわち、上の表では５つ）のアッセイではＬｏｇ ３ Ｐモデルを生成できないため、発生する。
私は、上側の漸近線にベースライン値 (つまりゼロに近い値)、成長率に 0、障害が発生した場合の変曲点に「欠損データ」を使用できるかどうか、つまりこれら 5 つのケースを使用できるかどうかを考えてきました。失敗したアッセイからデータを取得して、チャレンジの重症度間の違いを調べる (m)ANOVA のようなテストに使用できるようになります。
データが破棄されないため、これを実行することは前向きな動きのように思えますが、失敗したアッセイ値にゼロを割り当てることで正規性の規則 ((m)ANOVA のようなテストで必要とされる) に違反しているかどうかはわかりません。そしてそれらを使用します。 失敗した反応 (悪い R2 値) に対して L3P 適合が得られることもありますが、返される 3P 値は意味をなさず、多くの場合極端な外れ値であるため、それらを使用してグループ テスト間の差異を追求する場合は、削除する必要があります。
Re: ロジスティック 3 パラメーター (L3P) モデルの使用プロビット モデルを使用して、このようなテーブル (課題、失敗数、テストの合計数 - 16) を分析できます。
選択する分析する>フィットモデル。 両方を選択します失敗とテストデータ列をクリックしてY 。 （必ずこの順番で入力してください。）チャレンジデータ列をクリックして追加。クリック標準最小二乗法そして選択します一般化線形モデル。 を選択二項配布とプロビットリンク機能。
クリック走る。
この分析を拡張して実験を含めることができます。
追加実験2 つの効果として: 主効果と交差効果チャレンジ。
推定値は効果の重要性をテストするために使用でき、モデルは予測に使用できます。
ここでの実験例は、別のカテゴリまたは連続因子である可能性があります。 プロビット モデルには複数の要因が存在する可能性があります。
Re: ロジスティック 3 パラメーター (L3P) モデルの使用したがって、観察されるデータは次のようになります (16 個の複製で示されています)。
チャレンジ ユニット - 成功したカーブ フィット - 失敗したカーブ フィット*
----------1------16----------00 -----
----------2-----15----------01 -----
----------3-----------------12----------04 -----
----------4-----08----------08- ----
----------5------04----------12- ----
----------6------02----------14- ----
----------7-----00----------16- ----
ただし、次の実験は次のようになります。
チャレンジ ユニット - 成功したカーブ フィット - 失敗したカーブ フィット*
----------1------16----------00- ----
----------2-----16----------00 -----
----------3------15----------01 -----
----------4-----16----------00 -----
----------5------15----------01 -----
----------6------15----------01 -----
----------7------14----------02- ----
* 反応は起こらない
したがって、最初の実験はバイナリの結果に適しており、2 番目の実験は定量的な結果 (漸近線/成長率によって評価される課題に伴うシグモイド曲線の変動の増加) に適しているように感じますが、何らかの方法で 2 つをまとめて次のようにする必要があります。 1つのテスト。
Re: ロジスティック 3 パラメーター (L3P) モデルの使用こんにちは。
ご返答ありがとうございます。理解できたと思います。
問題は、アッセイを失敗するまでテストする必要があるため、データの範囲がすべてのケースで (ほとんど困難はなく) 片側で完全に重ね合わされた複製シグモイド曲線に及ぶことです。
- (もう一方の端で) - 平らな線を完全に重ね合わせて複製します。
これら 2 つの極端の間には、複製サンプルで散発的な障害が増加するパターンがあります。
すべての複製を (チャレンジごとに) グループ化して 1 つの曲線だけを生成すれば、少なくとも 1 つの成功したシグモイド曲線がある限り、各チャレンジで 3 つのパラメーターを取得できるだろうと考えていました。つまり、有効なカーブフィットを実行できるようになります。
ただし、その後発生する問題は、各反復で成長率、変曲点、漸近線の値を持つ代わりに、すべての反復で値が 1 つだけになることです。この 1 つの値をどのように取得するかがよくわかりません。このタイプの分析を実行するには実際の反復値自体が必要であるため、t 検定、(M)ANOVA、同等性検定まで実行できます。
私の次の考え方は、JMP が単一の「要約」シグモイド曲線上の平均値、標準偏差、および信頼区間で提供する要約データを使用し、データ要約テーブルから分散分析を実行することを試みることでした。つまり、単純に平均値と標準偏差をデータ要約テーブルから抽出することです。 「グループ別」L3P に適合し、この手順を試行しています (親切にも提供していただきました)。
https://community.jmp.com/t5/JMP-Scripts/ANOVA-from-Data-summary/ta-p/21487
私が少し心配しているのは、「平坦な線」データを実際のシグモイド曲線データとグループ化するこの形式によって、基礎となる仮定が無効になるかどうか、つまり曲線の性質が変化するかどうかです。 変曲点はカーブ フィッティングの演習では定数であるため、この「グループ別」アプローチによって変曲点が予想される位置から変化するかどうか疑問に思っています。
本当に助かりました！
ありがとう。 C.
Re: ロジスティック 3 パラメーター (L3P) モデルの使用継続的な要素は挑戦です。 おそらく、因子の範囲が広すぎるため、無反応につながる可能性があります。 実験のポイントは、データをモデル化し、パラメーター推定値をテストすることです。 係数範囲をより低くシフトできますか? たとえば、チャレンジが 50 ～ 100 だった場合、25 ～ 75 に挑戦してみてはいかがでしょうか? そうすることで、モデルに使用できるデータをさらに取得できる可能性があります。
