Analyse multivariée pour distribution non normale (non transformable) ?Chère communauté JMP,
Je dois analyser les effets du traitement et plusieurs biomarqueurs sur une variable de résultat clinique qui n'est pas distribuée normalement (voir histogramme ci-dessous).
Sur la base de mes connaissances limitées, je suis presque sûr que je ne peux pas utiliser le modèle standard des moindres carrés pour l'analyse de ces données puisque l'erreur générée par le modèle n'est pas distribuée normalement. Alors, quelle serait ma meilleure option pour atteindre mon objectif ?
Remarque : j'utilise la version standard de JMP 11.1.
Merci pour votre aide.
Sincèrement,
Re : Analyse multivariée pour distribution non normale (non transformable) ?... et, en plus des méthodes de modélisation mentionnées ci-dessus, je souhaite attirer votre attention sur le menu déroulant Évaluer l'importance des variables (alias Sobol'izer) dans le profileur de prédiction.
Les réseaux neuronaux, en particulier, sont connus pour être des « boîtes noires » qui ne fournissent pas d'informations sur l'importance des variables, et les remèdes Sobol'izer qui émettent des résultats assez justes.Une référence est jointe.
Re : Analyse multivariée pour distribution non normale (non transformable) ?@sornasst :
J'examinerais certainement le graphique de réponse de base, les contributions de colonne et les valeurs de valeur de journal qui remplissent de nombreuses fenêtres de rapport de la plateforme d'analyse. Et j'approuve également chaleureusement l'utilisation de toutes les techniques de validation croisée que mon collègue @Bill_Worley mentionne également. Vous pouvez tout aussi facilement surajuster un arbre de régression que d’autres méthodes de modélisation. Voici un lien vers la documentation générale JMP en ligne pour la plateforme de partition. Puisque vous utilisez JMP 11, cette documentation concerne la version 13... donc certaines options ou menus peuvent être différents ou inexistants... mais cela peut au moins vous aider à démarrer.
http://www.jmp.com/support/help/13-2/Partition_Models.shtml#
Re : Analyse multivariée pour distribution non normale (non transformable) ?Salut Peter,
Merci d'avoir suggéré la plate-forme de partition. Existe-t-il un moyen de saisir l’importance des paramètres utilisés pour diviser la réponse ?
Merci pour votre aide.
Sincèrement,
Re : Analyse multivariée pour distribution non normale (non transformable) ?Avez-vous pensé à utiliser la plateforme de partition ? Vous avez certainement des divisions dans votre distribution de variables de réponse qui vous crient dessus. Les données des variables prédictives des biomarqueurs sont également souvent notoirement pleines de multi colinéarité... donc une technique telle que PLS pourrait donner un aperçu ?
Re : Analyse multivariée pour distribution non normale (non transformable) ?Vous pouvez essayer les réseaux neuronaux dans le menu Analyser.Les réseaux neuronaux constituent une bonne plate-forme pour tenter d'ajuster des données non linéaires.Je ne sais pas s'il s'agit d'une plate-forme autonome dans JMP 11 ou si vous la trouverez sous Modélisation prédictive.Vous pouvez essayer plusieurs niveaux de la fonction TanH pour voir si vous obtenez un bon ajustement.Une chose à retenir est que les modèles NN sont facilement surajustés si vous n'utilisez pas une sorte de validation croisée.Utilisez K-fold ou Holdback et essayez différents niveaux.Si vous disposez d'un petit ensemble de données, utilisez la validation Leave-One-Out.Si vous ne voyez pas cela dans la liste, vous pouvez utiliser K-Fold et définir le nombre de lignes comme votre nombre de plis.
HTH
Re : Analyse multivariée pour distribution non normale (non transformable) ?Salut Dale,
Merci pour votre suggestion : j'avais déjà expérimenté le regroupement de la variable de résultat clinique en 3 niveaux, ce qui semble bien fonctionner avec le modèle logistique ordinal.
Meilleur,
Re : Analyse multivariée pour distribution non normale (non transformable) ?Je pense qu'il est difficile de répondre de manière générale à votre question (du moins c'est difficile pour moi) sans plus de contexte.Mais en regardant cette distribution de vos résultats cliniques, je pense que vous voudrez peut-être considérer cela comme un résultat discret.La distribution est fortement bimodale - serait-il possible de regrouper toutes les valeurs < 0,5 dans la case 0 et > 0,5 dans la case 1, puis de l'analyser comme un problème de classification ?Bien sûr, si la taille de votre échantillon est suffisamment grande, les modèles linéaires peuvent fournir une estimation raisonnable de la moyenne – mais avec un résultat bimodal comme celui-ci, la moyenne n’est pas particulièrement intéressante.
