Uso del modelo logístico de 3 parámetros (L3P)Hola,
Estamos viendo algunos datos biológicos que representan una amplificación que estamos usando JMP para ajustar el modelo L3P a
- y de ese modo están obteniendo la tasa de crecimiento, la asíntota y el punto de inflexión en las curvas sigmoideas que resultan.
Luego usamos el parámetro de tasa de crecimiento específicamente en una prueba ANOVA para detectar si las curvas (es decir, la prueba biológica) se ven afectadas negativamente por los desafíos, bajo la expectativa de un desafío adverso que nos haga rechazar la hipótesis nula.
El problema que estoy experimentando es que cuanto más adverso es el desafío, mayor es la probabilidad de que algunos o todos de los ensayos no funcionan (no se generan curvas).
Cuando esto ocurre, no puedo obtener los 3 parámetros que estoy usando en ANOVA y, por lo tanto, estoy algo atascado sobre cómo manejar estos datos particularmente informativos.
El patrón (con un desafío creciente) es de una variabilidad creciente en la curva que se modela (hacia una línea plana) y luego un número creciente de amplificaciones fallidas (líneas planas reales) con la gravedad del desafío, que culmina en todas las réplicas realmente con una línea plana y sin curva. ajuste siendo posible.
Gracias por la ayuda.
Re: Uso del modelo Logistic 3 Parameter (L3P)Muchas gracias por eso, y es casi exactamente 
lo que estamos haciendo actualmente (personalidad GLM-distribución binomial-enlace Probit) cuando examinamos los datos que generamos solo para determinar si el ensayo funcionó o falló.
No estamos analizando ningún parámetro que no sea si el ensayo ha funcionado o no.
Sin embargo, esperábamos realizar un análisis que fuera más discriminatorio.
Nos esforzamos por utilizar un método para evaluar cómo se degrada el ensayo (sin fallar explícitamente, aunque puede ocurrir una falla) a medida que aumentamos el nivel de desafío.
Entonces, a menudo obtenemos datos de esta forma:
unidades de desafío - ajuste de curva exitoso - ajuste de curva fallido*
-------1-------------------16---------------------00- ----
-------2-------------------16---------------------00 -----
-------3-------------------16-------------------------------------00 -----
-------4--------------------16-------------------------------------00 -----
-------5-------------------16---------------------00 -----
-------6-------------------16---------------------00 -----
-------7-------------------16---------------------00- ----
Si tuviéramos que ajustar un modelo Log 3 Parámetro a cada una de las curvas sigmoideas en las 16 réplicas x 7 condiciones anteriores, descubrimos que a medida que el desafío aumenta de 1 a 7, hay una disminución en la tasa de crecimiento y una disminución en la asíntota superior. (es decir, en 2 de los 3 parámetros generados por el modelo L3P).
Entonces, siempre que el ensayo funcione y sea posible un ajuste del modelo, con un desafío cada vez mayor no vemos ningún cambio en el punto de inflexión, una disminución en la asíntota superior y una disminución en la tasa de crecimiento, lo cual es excelente.
Todos nuestros problemas surgen cuando estamos 'entre' estas 2 técnicas estadísticas; con eso quiero decir cuando un fallas esporádicas (o más) p.ej
unidades de desafío - ajuste de curva exitoso - ajuste de curva fallido*
-------1-------------------16---------------------00- ----
-------2-------------------16---------------------00 -----
-------3-------------------15------------------------------------- 01 -----
-------4--------------------16-------------------------------------00 -----
-------5-------------------15------------------------------------- 01 -----
-------6-------------------15------------------------------------- 01 -----
-------7-------------------14----------------------------------- 02 -----
ocurrir, ya que no se puede generar un modelo Log 3 P en estos pocos ensayos (es decir, cinco en la tabla anterior).
Me he estado preguntando si podríamos usar el valor de referencia (es decir, cerca de cero) para la asíntota superior, 0 para la tasa de crecimiento y 'datos faltantes' para el punto de inflexión en el caso de fallas, es decir, en esos 5 casos, de modo que Tendría datos para llevar adelante en ensayos fallidos para su uso en pruebas similares a (m)ANOVA de diferencias entre la gravedad del desafío.
Por un lado, se siente como un movimiento positivo para hacer esto, ya que no se descarta ningún dato, sin embargo, no estoy seguro de si estoy contraviniendo las reglas de normalidad (requeridas en las pruebas similares a (m)ANOVA) al asignar valores de cero a los ensayos fallidos. y luego usarlos. Aunque a veces obtenemos ajustes L3P para reacciones fallidas (valores R2 bajos), los valores 3P devueltos no tienen sentido, a menudo son valores atípicos extremos, por lo que deben eliminarse si queremos buscar la diferencia entre las pruebas grupales al usarlos.
Re: Uso del modelo Logistic 3 Parameter (L3P)Podría analizar dicha tabla (desafío, número de fallas, número total de pruebas - 16) usando un modelo probit.
Seleccionar Analizar > Modelo de ajuste . Seleccione tanto el fallas y Pruebas columnas de datos y haga clic en Y . (Asegúrese de ingresarlos en ese orden). Seleccione el Desafío columna de datos y haga clic en Agregar . Hacer clic Mínimos cuadrados estándar y seleccione Modelo lineal generalizado . Selecciona el Binomio distribución y la probit función de enlace
Hacer clic Correr .
Puede ampliar este análisis para incluir el experimento.
Agregar Experimento como dos efectos: el efecto principal y cruzado con Desafío .
Las estimaciones se pueden usar para probar la importancia de los efectos y el modelo se puede usar para predecir.
El ejemplo Experimento aquí podría ser otro factor categórico o continuo. Podría haber múltiples factores en el modelo probit.
Re: Uso del modelo Logistic 3 Parameter (L3P)Entonces, los datos que podríamos observar podrían verse así (ilustrados con 16 réplicas):
unidades de desafío - ajuste de curva exitoso - ajuste de curva fallido*
-------1-------------------16---------------------00 -----
-------2-------------------15-------------------------------------01 -----
-------3-------------------12-------------------------------------04 -----
-------4-----------08-------------------------------------08- ----
-------5-------------------04-------------------------------------12- ----
-------6-------------------02-------------------------------------14- ----
-------7-------------------00-------------------------------------16- ----
Sin embargo, el próximo experimento podría verse así:
unidades de desafío - ajuste de curva exitoso - ajuste de curva fallido*
-------1-------------------16---------------------00- ----
-------2-------------------16---------------------00 -----
-------3-------------------15---------------------01 -----
-------4--------------------16-------------------------------------00 -----
-------5-------------------15-------------------------------------01 -----
-------6-------------------15-------------------------------------01 -----
-------7-------------------14------------------------------------02- ----
* no se produce ninguna reacción
Entonces, el primer experimento se siente como si se prestara a un resultado binario, y el segundo a un resultado cuantitativo (mayor variabilidad en las curvas sigmoideas con desafío evaluado por asíntota/tasa de crecimiento), sin embargo, de alguna manera necesito juntar los dos en una prueba
Re: Uso del modelo Logistic 3 Parameter (L3P)hola,
Muchas gracias por la respuesta y creo que entiendo.
El problema es que estamos obligados a probar el ensayo hasta el fallo, por lo que nuestros datos van desde curvas sigmoideas replicadas perfectamente superpuestas en todos los casos (con poco desafío) en un extremo
- a través (en el otro extremo) - para reproducir líneas planas perfectamente superpuestas.
Entre estos dos extremos hay un patrón de fallas esporádicas crecientes en muestras replicadas.
Estaba pensando que si agrupaba todas nuestras réplicas (por desafío) para generar solo una curva, entonces, siempre que tengamos al menos una curva sigmoidal exitosa, podremos obtener los 3 parámetros en cada desafío es decir, podrá realizar un ajuste de curva válido.
Sin embargo, el problema que surge es que, en lugar de tener valores para la tasa de crecimiento, el punto de inflexión y la asíntota en cada réplica, tenemos solo 1 valor para todas las réplicas, y no estoy muy seguro de cómo tomar este valor. hasta pruebas t, (M)ANOVA y pruebas de equivalencia porque son los propios valores replicados reales los que se requieren para realizar este tipo de análisis.
Mi siguiente línea de pensamiento fue utilizar los datos resumidos que proporciona JMP sobre la media, el SE y los intervalos de confianza en esa única curva sigmoidal 'resumida' e intentar realizar un ANOVA a partir de la tabla de resumen de datos, es decir, simplemente sacando la media y el SE del Ajuste L3P 'por grupo' e intentando este procedimiento (que ha tenido la amabilidad de proporcionar):
https://community.jmp.com/t5/JMP-Scripts/ANOVA-from-Data-Summary/ta-p/21487
Lo que me preocupa un poco es si esta forma de agrupar los datos de la 'línea plana' con los datos reales de la curva sigmoidea invalidará alguna suposición subyacente, es decir, cambiará la naturaleza de la curva. El punto de inflexión es una constante en nuestro ejercicio de ajuste de curvas, por lo que me pregunto si este enfoque "por grupo" alterará el punto de inflexión lejos de donde esperamos que esté.
Realmente aprecio la ayuda!
Gracias. C.
Re: Uso del modelo Logistic 3 Parameter (L3P)Su factor continuo es el desafío. Quizás su rango de factores es demasiado agresivo y conduce a la falta de respuestas. El objetivo del experimento es modelar los datos y probar las estimaciones de los parámetros. ¿Puedes cambiar el rango del factor más abajo? Por ejemplo, si el desafío fue 50-100, intente 25-75. De esa manera, es posible que pueda obtener más datos utilizables para su modelo.
