機率分析與擬合檢驗我正在使用簡單機率分析腳本插件來確定 LD50、LD90 和 LD95。
該腳本是否能夠使用 Abbott 進行校正，或如何設定？目前，我透過對原始數據應用雅培修正來調整死亡率，從而自行修正了數據。
運行 Probit 插件後，如何確定擬合優度？沒有卡方結果。是否有其他方法可以執行此分析來獲取 LD 值以及卡方？
回覆：機率分析與擬合檢驗排除高反應的是不是從建模或統計的角度來看是可以接受的。 你是在建議你排除有效數據克服一個研究的基本缺陷。 （我知道您無法預見該藥物的效力，但這並不能消除數據中的缺陷。）您需要劑量 = 0 和劑量 = 1.64 之間的更多數據，而不是更少的數據來解決此問題。
在你的情況下排除高劑量樣本可能是可以接受的，但我無法證明它是合理的。 您（可能）通過這種方式獲得“更好”模型的事實並不是驗證。 您根本無法從該劑量反應資料樣本中確定 LD50，只能說 LD50 出現在 0 到 1.64 之間。
回覆：機率分析與擬合檢驗那麼，在這一點上排除高反應以獲得“擬合”模型是否可以接受，我可以用它來估計預測劑量或劑量範圍以作為後續測試？ 我們沒有預料到在非常低的劑量下會產生高反應，這就是為什麼我沒有中間的數據。 現在，我需要能夠確定對這些藥物的一些建議，然後可以透過二次研究來確認。回覆：機率分析與擬合檢驗我無法評論您引用的差異，但他們對數據提出了質疑。
擬合的問題在於數據表現出「分離」問題。 在某一水平（劑量 = 0），您的反應較低，而在所有其他水平（劑量 > 0），您的反應較高。 從低響應到高響應的轉變是不可能確定的。 試著用這個數據自己去找LD50，你就會明白這個問題了。 （它出現在 0.1 處嗎？ 0.5？ 1.5？）
您必須執行另一次劑量反應測試，其中劑量範圍為 0 到 1.64，以便擬合機率模型並估計 LD50。
回覆：機率分析與擬合檢驗（抱歉，今天我被拉了 1000 個方向。 
）
這是一個不同的代理。 我一共測試了6種不同的代理。 如果可能的話，我被要求在 10 分鐘內給予建議，最多 15 分鐘。 我有幾個與此類似的數據集，其中劑量高於 1.64 或 10% 時死亡率非常高。
為什麼模型在高劑量死亡率高的情況下不起作用？
我認為大部分與數據有關，因為我對幾個代理產生了一些奇怪的影響。 我曾經遇到過低劑量比高劑量更有效的情況。 該模型在這種情況下也不起作用。 由於蒸發，一些 100 劑量的效果不如較低劑量，但如果我排除這些劑量，模型就可以正常工作。
在另一組中，我的控制者都經歷了 0 道德（與先前的控制者不同的物種）。 這些似乎也造成了差異。回覆：機率分析與擬合檢驗你沒有回答我的任何問題。
此範例必須是與您在 15 分鐘測試的範例不同的代理程式。 同樣的藥劑只要多接觸五分鐘就會變得更致命，這是沒有道理的。
您必須使用不同的稀釋度/劑量範圍（更高的稀釋度、更低的劑量）來觀察轉變。 最高劑量應為1.64。 您應該在測試和數據分析中包含零。 這個新資料是此時適合該代理人的機率模型的唯一方法。
回覆：機率分析與擬合檢驗這是我特別遇到問題的資料集之一。如果我隱藏/排除 0，模型將適合。
回覆：機率分析與擬合檢驗- 是數據問題嗎？
- 您是否存在異常值或資料錯誤？
- 您是否意外排除了應包含的行？
- 是模型問題嗎？
- 您是否使用了正確的回應列？
- 您使用的是正確的預測列嗎？
- 是不是身材不夠好？
- 是模型假設問題嗎？
- 誤差是否如預期分佈？
- 誤差在預測變數的整個範圍內是否恆定？
回覆：機率分析與擬合檢驗當某些模型不合適時我該怎麼辦？ 
回覆：機率分析與擬合檢驗謝謝你！當你說不包括死亡率時，我被絆倒了，所以我仔細檢查了是否應該使用死亡或存活人數作為回應。希望我不會再遇到什麼大問題了！
非常感謝您的幫忙！
回覆：機率分析與擬合檢驗請參閱我的回复，其中包含完整的分析，最後的問題是“所以我們現在同意了，不是嗎？” 它向您展示如何在 JMP 資料表中設定資料。 它還向您展示瞭如何在「擬合模型」啟動對話方塊中將資料列指派給分析角色，並變更其他設定以進行正確的機率分析。 我沒有對劑量水平進行任何轉換——這是不必要的。
回覆：機率分析與擬合檢驗那麼我是否使用死亡人數作為我的回應？我的「開始」是在進行治療之前我有多少活細胞計數。15 分鐘的專欄是死亡。這是正確的嗎？還是我需要使用即時計數作為我的回應？
我是否需要使用“變換”下拉列表將 LOG 應用到“劑量”，或者如果沒有它，該分析是否可以正常進行？
回覆：機率分析與擬合檢驗是的，您包括劑量 = 0 的對照組。
您輸入每個劑量的兩個計數，因此您不使用死亡率，也不應用 Abbott 校正。
您應該為每個時間間隔執行單獨的機率分析。 我對 15 分鐘後收集的劑量反應資料進行了正確的 Probit 分析（如上所示 - 正確分析的答覆以我向您提出的問題結束：「所以我們現在同意了，不是嗎？」）。 如果您有任何疑問，請告訴我。
對其他時間間隔後收集的數據執行此分析。 如果您在重複這項工作時遇到困難，請告訴我。
您不應期望每組的估計值（收集時間）都相同。 您應該正確執行分析，而不是將結果與其他不正確變異的結果進行比較。
回覆：機率分析與擬合檢驗另外，我需要包含 Controls/0 嗎？ 這將是 5 劑，每劑 4 次。回覆：機率分析與擬合檢驗沒問題，這對我來說是個很好的學習經驗。
我有 4 行，因為我在每個劑量下進行了 4 次重複。 我注射了 4 劑，每劑重複 4 次。 我確實以 1 分鐘、5 分鐘、10 分鐘和 15 分鐘的間隔監測每次治療。回覆：機率分析與擬合檢驗對於回覆混亂，我深表歉意（儘管這不是我的錯）。 它無助於解決已經存在的混亂。
在我認為我們可以結束這次討論之前，我有一個問題：為什麼每個劑量有四個觀察值（行）？ 每一行代表什麼？
再次，忘記生命分佈。 您的同事是正確的，您需要進行機率分析。 我現在正在努力確保您的數據表設置正確，並且在擬合模型中正確定義分析以進行機率分析。 在您解釋為什麼每個劑量有四行之後，我想使用您之前的數據範例：
回覆：機率分析與擬合檢驗我想到了。 Probit Add-In 需要即時數據，它會自行計算死數。 廣義線性取得死計數。
因此，如果我運行 GLM，我是否包括我的對照/0 劑量？回覆：機率分析與擬合檢驗我們已經確定您會這樣做不是有壽命或者事件發生時間數據。 你有一個案例劑量反應數據。 您在 15 分鐘收集了觀測值，因此時間是固定的。 你數過的死亡人數和受試者總數在每個劑量。 正如我向您展示的那樣，此案例由 GLM 處理。 請忽略使用生命分佈的基於生命週期的範例。 存活分析方法可以不是在這裡申請。 您應該在剛開始時使用機率分析。
回覆：機率分析與擬合檢驗
以下是機率添加中與生成相同數據的比較。線性機率。如果我恢復預測的對數劑量，它與一般線性模型中的相同結果不符。
回覆：機率分析與擬合檢驗我不確定這是否有效。 我周圍的人反對以這種方式進行分析。 他們想要機率。
回覆：機率分析與擬合檢驗
以下是我的設定方法和數據：
回覆：機率分析與擬合檢驗
所以我在沒有控制的情況下使用了原始的、未經調整的數據並想出了這個。
我是否將此解釋為：100% 劑量的 LD90 為 4.33 分鐘？由於沒有卡方，我該如何確定它的擬合度？（我被要求展示我使用的模型的擬合優度。）
我是否將死亡視為「失敗」？
回覆：機率分析與擬合檢驗好吧，我想我現在明白了。 我一開始就是正確的，而且是不是生存分析（生命週期）。 我們回到我的 GLM 範例，但現在我將使用您的資料。 以下是 JMP 資料表中的資料：
像以前一樣設定「擬合模型」啟動對話框：
點選跑步然後你會得到這些結果：
點擊旁邊的紅色三角形廣義線性模型擬合並選擇逆預測。 類型0.5 （以及您想要的任何其他）機率（死亡）然後單擊好的。
所以現在我們同意了，不是嗎？
回覆：機率分析與擬合檢驗您關於測試死亡率的最後評論隨著時間的推移我認為改變一切。 我的例子不相關。 我的例子是這樣的情況：將多個樣本或受試者 (20) 分配給每個因素水準（5）。 每個等級都是一個獨立樣本 (5x20)。 樣本或受試者總數是每個等級樣本的總和（100）。 我相信您從固定數量的受試者（例如總共 60 個）開始，在固定級別引入代理級別，並且隨著時間的推移監控同一組（受試者）。 是的？
假設我是對的，那麼你想使用重複措施在存活分析。
JMP中的方法和平台是為可靠性分析而開發的，但其實是一回事。 請注意，如果您明白我的意思，這些詞語和標籤是針對可靠性工程師而不是生物學家的。
設定您的數據，如下例所示：
在這個範例中，我從 6 個月的計劃開始就監控了總共 60 個科目。 我需要兩列來代表回應（生命），因為我不是連續監測受試者，而是每月一次。 這個過程導致間隔審查。 我沒有觀察到確切的生活，而是觀察到它發生在一個間隔期間。
- 第一行代表測試的開始。 在這個模擬中，一開始就有 2 位受試者死亡。
- 第二行代表第一個月開始和結束之間死亡的受試者數量 (3)。
- 第三行代表第二個月死亡的受試者數量（3），依此類推。
- 最後一行代表執行此操作的受試者數量不是在研究結束時死亡 (20)。
我添加了另一列“狀態”來指示觀察的狀態，但這對於分析來說不是必需的。 請依照以下步驟執行分析：
- 選擇分析>可靠性和生存>壽命分佈。
- 選擇開始和結尾然後單擊Y，事件發生時間。
- 選擇數數然後單擊頻率。
啟動對話框應如下所示：
（請注意，審查分析角色適用於右審查資料。 當使用兩個反應列進行區間刪失時則不需要。）
點選好的。
初步分析基於非參數估計失效機率來自 Kaplan-Meier 產品限制。 （您可以單擊頂部的紅色三角形將其從失敗圖更改為生存圖。）您可以使用左側的複選框和單選按鈕來縮放繪圖和擬合分佈模型，分別為數據。 讓我們擬合一個常態分佈。 查看這普通的複選框和點選這普通的單選按鈕：
選擇模型後，使用統計大綱獲得所需的結果。 例如，您的 LD50 可在此處作為分位數對應於故障機率 = 0.5，因此使用分位數刻畫器估算 LD50：
本例的 LD50 為 3.688803 個月（3.22981 個月到 4.1478 個月，信賴度為 95%）。
回覆：機率分析與擬合檢驗以下是資料範例：
| 劑量（%濃度） | 開始（#live） | 死亡率 @ 15 分鐘（＃死的） |
| 100.00 | 13 | 13 |
| 100.00 | 10 | 10 |
| 100.00 | 11 | 11 |
| 100.00 | 13 | 13 |
| 25:00 | 10 | 9 |
| 25:00 | 23 | 17 號 |
| 25:00 | 15 | 9 |
| 25:00 | 9 | 6 |
| 10:00 | 14 | 3 |
| 10:00 | 10 | 1 |
| 10:00 | 10 | 4 |
| 10:00 | 16 | 7 |
| 1.64 | 11 | 1 |
| 1.64 | 12 | 3 |
| 1.64 | 13 | 4 |
| 1.64 | 24 | 4 |
我正在嘗試獲取 LD50/LD90/LD95 結果以獲取劑量建議。 我有 5 分鐘、10 分鐘和 15 分鐘申請的資訊。
這是我的控制數據：
| 劑量（%濃度） | 開始（#live） | 死亡率 (#dead) |
| 0 | 10 | 1 |
| 0 | 11 | 6 |
| 0 | 10 | 3 |
| 0 | 15 | 4 |
回覆：機率分析與擬合檢驗我跟你一樣困惑。
你應該有二您的回覆很重要每個預測變數的等級：一個計數是死亡人數，另一個計數是可能死亡人數。 你應該有一預測器。 通常是濃度或對數濃度。 真的嗎？ 還是時間到了？ 您是否想估算固定濃度下 LD50 的時間？
請使用我分享的範例中展示的資料格式不是比率或比例。 推理需要計數。 1/10 或 100/1000 的情況可能會產生 0.1 的比率。 兩種情況的比率相同，但樣本數卻截然不同。
再次，如果您按照我所示輸入資料並按照我所示設定 GLM，您可以忘記 Abbott 對利率的修正。 您應該輸入 time=0 的兩個計數。
回覆：機率分析與擬合檢驗因此，如果我使用 GLM 分析，是否包含 0/控制資料和初始原始資料？ 這樣做時，將“0”調整為“0.005”以進行對數轉換是否正確？ 我正在測試不同時間點有藥物存在時的死亡率。
回覆：機率分析與擬合檢驗Abbott 修正適用於死亡率（即比例）來解釋自然死亡率在沒有試劑的情況下進行測試。 GLM 使用線性預測器對二項分佈進行建模。 GLM 模型有一個用於此目的的截距（基線死亡率）。 因此，沒有必要應用此校正，事實上，這樣做會改變輸出。 因此，如果您使用 GLM 進行分析，請不要這樣做。
回覆：機率分析與擬合檢驗我用原始資料附加了錯誤的線性模型。 以下是正確的：
Gen. Lin. Raw Data 1Gen. Lin. Raw Data 1林將軍。 原始數據1
Gen. Lin. Raw Data 2Gen. Lin. Raw Data 2將軍 林. 原始資料2
回覆：機率分析與擬合檢驗
Abbott's Gen. Lin.pg 2Abbott's Gen. Lin.pg 2雅培的林將軍.pg 2
Abbott's Gen. Lin. pg 1Abbott's Gen. Lin. pg 1艾伯特的林將軍。第 1 頁
Abbott's ProbitAbbott's Probit雅培的機率
Raw Data with 0s Gen. Lin. 1Raw Data with 0s Gen. Lin. 10s Gen. Lin 的原始資料。 1
Raw Data with 0s Gen. Lin.2Raw Data with 0s Gen. Lin.2 0s Gen. Lin.2 的原始數據
Probit Raw Data with 0s 1Probit Raw Data with 0s 1帶有 0 和 1 的 Probit 原始數據
Probit Raw Data with 0s 2Probit Raw Data with 0s 2Probit 原始資料 0s 2
這是我使用不同資料集得到的兩個不同結果。 如果我使用 0 和原始數據，機率模型和一般線性機率模型似乎都匹配。 但是，如果我用 Abbott 修正來修正資料並省略 0，則兩個模型不符。
回覆：機率分析與擬合檢驗好的，
看來，如果我將 0（死亡率控制）納入模型中，一般線性機率模型和機率插件都符合 LD 建議。 如果我使用雅培校正數據，那麼兩者之間存在差異。
我應該使用 0 和原始資料運行模型（沒有 Abbott 調整），還是在輸入機率並排除 0 之前使用 Abbott 調整原始資料更正確？
回覆：機率分析與擬合檢驗這個例子來自我們的培訓課程， JMP 軟體：分析離散回應。
我們正在測試密封件在增加的壓力水平下是否失效。 這是具有首選佈局的資料表：
請注意，我們這樣做不是輸入回應的失敗率（失敗/已測試）。
選擇分析>適合模型。 選擇壓力然後單擊添加。選擇失敗的然後單擊是。選擇全部的然後單擊是。 （請注意，(1) 您必須輸入一列包含目標計數，另一列包含機會計數，且 (2) 必須完全按照該順序輸入。）按一下標準最小平方法並選擇廣義線性模型。 選擇二項式對於分佈模型。 選擇普羅比特對於連結功能。 您的啟動對話框應如下所示：
點選跑步。
您可以在下面看到非線性響應和回歸診斷：
回覆：機率分析與擬合檢驗我沒有。
我一直在嘗試使用 Probit 在廣義線性中運行模型，但是，我的 LD 值與 Probit 插件給我的值不匹配，所以我不確定發生了什麼。 我已經通讀了擬合線性模型，但我嘗試運行分析的是非線性的，老實說我在 JMP 中沒有任何經驗。
回覆：機率分析與擬合檢驗您是否已聯絡該加載項的作者或先閱讀了說明和說明？
JMP 有幾個內建平台可以估算此類數量並提供適合度統計資料。 這些線索應該可以幫助您入門。
- 擬合曲線可以擬合常見的非線性函數。
- 非線性更通用，可以適合自訂模型。
- 廣義線性模型可以執行機率分析。
你搜尋了嗎機率還處於幫助或者幫助>圖書>擬合線性模型？
