Analyse probit et tests d'ajustementJ'utilise le complément de script Simple Probit Analysis pour déterminer LD50, LD90 et LD95.
Ce script est-il capable d'être corrigé avec celui d'Abbott, ou comment le configurez-vous ?Actuellement, j'ai corrigé les données moi-même en appliquant la correction d'Abbott aux données brutes pour ajuster les mortalités.
Après avoir exécuté le complément Probit, comment puis-je déterminer l’adéquation de l’ajustement ?Il n’y a pas de résultats du Chi carré.Existe-t-il un autre moyen d'exécuter cette analyse pour obtenir mes valeurs LD, ainsi que le Chi carré ?
Re : Analyse Probit et tests d'ajustementL'exclusion des réponses élevées est pas acceptable du point de vue de la modélisation ou des statistiques. Vous suggérez que vous exclure les données valides pour surmonter un défaut fondamental de l'étude . (Je comprends que vous ne pouviez pas prévoir la puissance de cet agent, mais cela ne supprime pas le défaut des données.) Vous avez besoin de plus de données, entre dose = 0 et dose = 1,64, et non de moins de données, pour résoudre ce problème.
L'exclusion des échantillons à forte dose pourrait être acceptable dans votre situation, mais je ne pourrais pas le justifier. Le fait que vous obteniez (éventuellement) un « meilleur » modèle de cette façon n’est pas une validation. Vous ne pouvez tout simplement pas déterminer la DL50 à partir de cet échantillon de données dose-réponse, sauf pour dire que la DL50 se situe entre 0 et 1,64.
Re : Analyse Probit et tests d'ajustementEst-il donc acceptable à ce stade d'exclure les réponses élevées pour obtenir un modèle « ajusté », que je peux utiliser pour estimer une dose prévue ou une plage de doses à tester à titre de suivi ? Nous ne nous attendions pas à une réponse élevée aux doses très faibles, c’est pourquoi je n’ai pas de données intermédiaires. À l'heure actuelle, je dois être en mesure de déterminer une sorte de recommandation pour ces agents, qui peut être suivie d'une étude secondaire pour confirmer.Re : Analyse Probit et tests d'ajustementJe ne peux pas parler des écarts que vous citez, mais ils remettent en question les données.
Le problème de l'ajustement est que les données présentent un problème de « séparation ». À un niveau (dose = 0), vous avez une réponse faible et à tous les autres niveaux (dose > 0), vous avez une réponse élevée. La transition d’une réponse faible à une réponse élevée est impossible à déterminer. Essayez de trouver la LD50 par vous-même avec ces données et vous comprendrez le problème. (Est-ce que cela se produit à 0,1 ? A 0,5 ? A 1,5 ?)
Vous devez effectuer un autre test dose-réponse où la dose varie de 0 à 1,64 afin d'ajuster le modèle probit et d'estimer la DL50.
Re : Analyse Probit et tests d'ajustement(Désolé, on me demande 1 000 directions aujourd'hui. 
)
C'est un agent différent. J'ai testé un total de 6 agents différents. On me demande de donner des recommandations en 10 minutes si possible, et en 15 minutes au maximum. J'ai quelques ensembles de données similaires à celui-ci, où la mortalité est très élevée à des doses supérieures à 1,64 ou 10 %.
Pourquoi le modèle ne fonctionne-t-il pas dans ces situations de mortalité élevée aux doses plus élevées ?
Je pense que cela est en grande partie lié aux données, car j'ai eu des effets étranges sur quelques agents. J'ai eu des situations où une dose plus faible était plus efficace qu'une dose plus élevée. Le modèle ne fonctionne pas non plus dans cette situation. Un couple à 100 était moins efficace que des doses plus faibles en raison de l'évaporation, mais les modèles fonctionnent bien si j'exclus ces doses.
Dans un autre ensemble, mes contrôles connaissent tous 0 moralité (espèces différentes du contrôle précédent). Cela semble également être à l’origine de divergences.Re : Analyse Probit et tests d'ajustementVous n'avez répondu à aucune de mes questions.
Cet exemple doit être un agent différent de celui que vous avez testé à 15 minutes. Cela n’a aucun sens que le même agent soit encore plus mortel avec seulement cinq minutes d’exposition supplémentaires.
Vous devez utiliser une plage de dilution/dose différente (dilution plus élevée, dose plus faible) pour observer la transition. La dose la plus élevée doit être de 1,64. Vous devez inclure le zéro dans le test et dans l'analyse des données. Ces nouvelles données constituent le seul moyen d’ajuster le modèle probit pour cet agent à ce stade.
Re : Analyse Probit et tests d'ajustementVoici l'un des ensembles de données avec lequel j'ai particulièrement des problèmes.Si je cache/exclus les 0, le modèle s'adaptera.
Re : Analyse Probit et tests d'ajustement- Est-ce un problème de données ?
- Avez-vous des valeurs aberrantes ou des erreurs de données ?
- Avez-vous accidentellement exclu des lignes qui devraient être incluses ?
- Est-ce un problème de modèle ?
- Utilisez-vous les bonnes colonnes de réponses ?
- Utilisez-vous la bonne colonne de prédicteurs ?
- Est-ce un manque d'ajustement ?
- Est-ce un problème d'hypothèse de modèle ?
- Les erreurs sont-elles réparties comme prévu ?
- Les erreurs sont-elles constantes sur toute la plage du prédicteur ?
Re : Analyse Probit et tests d'ajustementQue dois-je faire lorsque certains modèles ne s'ajustent pas correctement ? 
Re : Analyse Probit et tests d'ajustementMerci!J'ai trébuché lorsque vous avez dit de ne pas inclure le taux de mortalité, alors j'ai vérifié si j'étais censé utiliser le nombre de décès ou de personnes vivantes comme réponse.J'espère que je n'aurai plus de problèmes majeurs !
J'apprécie vraiment l'aide!
Re : Analyse Probit et tests d'ajustementVeuillez consulter ma réponse avec une analyse complète qui se termine par la question : "Donc nous sommes d'accord maintenant, non ?" Il vous montre comment configurer vos données dans une table de données JMP. Il vous montre également comment attribuer les colonnes de données aux rôles d'analyse dans la boîte de dialogue de lancement Ajuster le modèle et modifier les autres paramètres pour une analyse Probit appropriée. Je n’ai appliqué aucune transformation aux niveaux de dose – c’est inutile.
Re : Analyse Probit et tests d'ajustementDois-je alors utiliser le nombre de décès comme réponse ?Mon « Début » correspond au nombre de comptes en direct dont je dispose avant l'application du traitement.La colonne des 15 minutes correspond aux décès.Est-ce correct ou dois-je utiliser les décomptes en direct comme réponse ?
Dois-je appliquer LOG à la liste déroulante Dose avec la transformation, ou cette analyse est-elle correcte sans cela ?
Re : Analyse Probit et tests d'ajustementOui, vous incluez le groupe témoin avec une dose = 0.
Vous saisissez les deux chiffres pour chaque dose, vous n'utilisez donc pas le taux de mortalité et vous n'appliquez pas la correction d'Abbott.
Vous devez effectuer une analyse Probit distincte pour chaque intervalle de temps. J'ai déjà effectué l'analyse Probit correcte pour les données dose-réponse collectées après 15 minutes (indiquées ci-dessus - la réponse avec l'analyse correcte se termine par ma question pour vous : "Nous sommes donc d'accord maintenant, non ?"). Faites moi savoir si vous avez des questions.
Effectuez cette analyse pour les données collectées après les autres intervalles. Faites-moi savoir si vous avez du mal à répéter ce travail.
Il ne faut pas s'attendre à ce que les estimations soient les mêmes pour chaque groupe (durée de collecte). Vous devez effectuer l'analyse correctement et ne pas comparer les résultats à ceux d'autres variantes qui ne sont pas corrects.
Re : Analyse Probit et tests d'ajustementDe plus, dois-je inclure les contrôles/0 ? Ce qui représenterait alors 5 doses, 4 répétitions chacune.Re : Analyse Probit et tests d'ajustementPas de problème, c'est une bonne expérience d'apprentissage pour moi.
J'ai 4 rangées car j'ai effectué 4 répétitions à chaque dose. J'ai eu 4 doses, 4 répétitions chacune. J'ai surveillé chaque traitement à des intervalles de 1 min, 5 min, 10 min et 15 min.Re : Analyse Probit et tests d'ajustementJe m'excuse (même si ce n'est pas de ma faute) pour les réponses qui sont hors d'usage. Cela n’aide pas à la confusion qui existe déjà.
J'ai une question avant de penser que nous pouvons conclure cette discussion : pourquoi avez-vous quatre observations (lignes) pour chaque dose ? Que représente chaque ligne ?
Encore, oublier Répartition de la vie. Vos collègues ont raison, vous avez besoin d'une analyse probit. Je travaille maintenant pour m'assurer que votre table de données est correctement configurée et que l'analyse est correctement définie dans Fit Model pour une analyse probit. Je souhaite utiliser votre exemple de données précédent après avoir expliqué pourquoi il y a quatre lignes pour chaque dose :
Re : Analyse Probit et tests d'ajustementJe l'ai compris. Probit Add-In a besoin de données en direct et calcule lui-même le nombre de morts. Generalize Linear fait le décompte des morts.
Donc, si j’exécute le GLM, dois-je inclure mes contrôles/0 doses ?Re : Analyse Probit et tests d'ajustementNous avons déjà déterminé que vous le faites pas avoir durée de vie ou l'heure de l'événement données. Vous avez un cas de dose-réponse données. Vous avez collecté des observations à 15 minutes, le temps est donc fixe. Toi dénombré le nombre de décès et le nombre total de sujets à chaque dose . Cette affaire est traitée par GLM comme je vous l'ai montré. Veuillez ne pas tenir compte de l'exemple basé sur la durée de vie qui utilise Life Distribution. Les méthodes d’analyse de survie pas appliquer ici. Vous devez utiliser une analyse Probit lors de votre premier démarrage.
Re : Analyse Probit et tests d'ajustement
Voici la comparaison des mêmes données dans le complément probit et dans gen. probit linéaire.Si j'inverse la dose logarithmique prévue, cela ne correspond pas aux mêmes résultats dans le modèle linéaire général.
Re : Analyse Probit et tests d'ajustementJe ne suis pas sûr que cela fonctionnera. Je rencontre de la résistance de la part des autres autour de moi quant à l'exécution de l'analyse de cette façon. Ils veulent le probit.
Re : Analyse Probit et tests d'ajustement
Voici comment je l'ai configuré et mes données :
Re : Analyse Probit et tests d'ajustement
J'ai donc utilisé mes données brutes et non ajustées sans mes contrôles et j'ai trouvé ceci.
Dois-je interpréter cela comme : DL90 pour une dose à 100 % est de 4,33 minutes ?Comment puis-je déterminer l’adéquation de ceci puisqu’il n’y a pas de Chi carré ?(On me demande de montrer l'adéquation du modèle que j'utilise.)
Dois-je considérer la mortalité comme un « échec » ?
Re : Analyse Probit et tests d'ajustementOK, je pense que je comprends maintenant. J'avais raison au début et c'est pas une analyse de survie (durée de vie). Nous revenons à mon exemple GLM mais je vais maintenant utiliser vos données. Voici vos données dans une table de données JMP :
Configurez la boîte de dialogue de lancement Ajuster le modèle comme précédemment :
Cliquez sur Courir et puis vous obtenez ces résultats :
Cliquez sur le triangle rouge à côté de Ajustement du modèle linéaire généralisé et sélectionnez Prédiction inverse . Taper 0,5 (et tous les autres que vous souhaitez) pour Probabilité (décédé) et cliquez D'ACCORD .
Alors maintenant, nous sommes d'accord, non ?
Re : Analyse Probit et tests d'ajustementVotre dernier commentaire sur les tests de taux de mortalité au fil du temps ça change tout, je pense. Mon exemple n'est pas pertinent. Mon exemple est un cas où un certain nombre d'échantillons ou de sujets (20) sont attribués à chaque niveau de facteur (5). Chaque niveau est un échantillon indépendant (5x20). Le nombre total d'échantillons ou de sujets est la somme des échantillons à chaque niveau (100). Je crois que vous commencez avec un nombre fixe de sujets (par exemple 60 au total), que le niveau d'agent est introduit à un niveau fixe et que vous surveillez le même groupe (sujets) au fil du temps. Oui?
En supposant que j'ai raison, alors vous souhaitez utiliser mesures répétées dans analyse de survie .
Les méthodes et plateformes de JMP ont été développées pour l’analyse de fiabilité, mais c’est la même chose. Sachez simplement que les mots et les étiquettes sont destinés aux ingénieurs en fiabilité et non aux biologistes, si vous voyez ce que je veux dire.
Configurez vos données pour qu'elles ressemblent à cet exemple :
Dans cet exemple, j'ai un total de 60 matières que je surveille dès le début d'un programme de 6 mois. J'ai besoin de deux colonnes pour représenter la réponse (vie) car je ne surveille pas les sujets en continu mais à intervalles mensuels. Ce processus conduit à censure par intervalles . Je n'observe pas la vie exacte mais j'observe qu'elle se produit pendant un intervalle.
- La première ligne représente le début du test. Dans cette simulation, 2 sujets sont morts au départ.
- La deuxième ligne représente le nombre de sujets décédés entre le début et la fin du premier mois (3).
- La troisième ligne représente le nombre de sujets décédés au cours du deuxième mois (3), et ainsi de suite.
- La dernière ligne représente le nombre de sujets qui l'ont fait pas mourir à la fin de l’étude (20).
J'ai ajouté une autre colonne, Statut, pour indiquer le statut des observations mais ce n'est pas nécessaire pour l'analyse. Effectuez l'analyse en suivant ces étapes :
- Sélectionner Analyser > Fiabilité et survie > Répartition de la vie .
- Sélectionner Début et Fin et cliquez Y, temps jusqu'à l'événement .
- Sélectionner Compter et cliquez Fréquence .
La boîte de dialogue de lancement devrait ressembler à ceci :
(Notez que le rôle d'analyse Censeur est destiné aux données censurées à droite. Cela n'est pas nécessaire lorsque deux colonnes de réponses sont utilisées pour la censure par intervalles.)
Cliquez sur D'ACCORD .
L'analyse initiale est basée sur les estimations non paramétriques du probabilité de défaillance de la limite du produit Kaplan-Meier. (Vous pouvez cliquer sur le triangle rouge en haut pour le faire passer d'un tracé d'échec à un tracé de survie.) Vous utilisez les cases à cocher et les boutons radio sur le côté gauche pour mettre à l'échelle l'intrigue et adapter un modèle de distribution , respectivement, aux données. Ajustons une distribution normale. Vérifier le Normale case à cocher et Cliquez sur le Normale bouton radio:
Après avoir sélectionné un modèle, utilisez le plan Statistiques pour obtenir les résultats souhaités. Par exemple, votre DL50 est disponible ici en tant que quantile correspondant à une probabilité de défaillance = 0,5, estimez donc LD50 avec le Quantile Profiler :
La DL50 dans cet exemple est de 3,688803 mois (3,22981 mois à 4,1478 mois avec un niveau de confiance de 95 %).
Re : Analyse Probit et tests d'ajustementVoici un exemple des données :
| Dose (% Conc.) | Commencer (#live) | Mortalité à 15 min. (#mort) |
| 100,00 | 13 | 13 |
| 100,00 | dix | dix |
| 100,00 | 11 | 11 |
| 100,00 | 13 | 13 |
| 25h00 | dix | 9 |
| 25h00 | 23 | 17 |
| 25h00 | 15 | 9 |
| 25h00 | 9 | 6 |
| 10h00 | 14 | 3 |
| 10h00 | dix | 1 |
| 10h00 | dix | 4 |
| 10h00 | 16 | 7 |
| 1,64 | 11 | 1 |
| 1,64 | 12 | 3 |
| 1,64 | 13 | 4 |
| 1,64 | 24 | 4 |
J'essaie d'obtenir les résultats LD50/LD90/LD95 pour les recommandations posologiques. J'ai ces informations pour les applications de 5, 10 et 15 minutes.
Voici les données pour mon contrôle :
| Dose (% Conc.) | Commencer (#live) | Mortalité (#mort) |
| 0 | dix | 1 |
| 0 | 11 | 6 |
| 0 | dix | 3 |
| 0 | 15 | 4 |
Re : Analyse Probit et tests d'ajustementJe suis confus autant que vous.
Tu aurais dû deux compte pour votre réponse pour chaque niveau du prédicteur : un décompte est le nombre de personnes décédées et l'autre décompte est le nombre de personnes qui auraient pu mourir. Tu aurais dû un prédicteur. Il s’agit généralement d’une concentration ou d’un log de concentration. Est-ce vrai? Ou est-il temps ? Essayez-vous d'estimer le temps nécessaire pour atteindre la DL50 à une concentration fixe ?
Veuillez utiliser le format de données présenté dans l'exemple que j'ai partagé et pas taux ou proportions. Les décomptes sont nécessaires pour l’inférence. Un taux de 0,1 peut résulter d’un cas de 1/10 ou d’un cas de 100/1000. Le taux est le même dans les deux cas mais la taille de l’échantillon est très différente.
Encore une fois, si vous saisissez les données comme je l'ai montré et configurez le GLM comme je l'ai montré, vous pouvez oublier la correction des taux d'Abbott. Vous devez saisir les deux comptes pour time=0.
Re : Analyse Probit et tests d'ajustementDonc, si j'utilise l'analyse GLM, dois-je inclure mes 0/données de contrôle et mes données brutes initiales ? Et ce faisant, est-il correct d'ajuster un « 0 » à « 0,005 » pour la transformation du journal ? Je teste les taux de mortalité en présence d'un agent à différents moments.
Re : Analyse Probit et tests d'ajustementLa correction d'Abbott est appliquée à les taux de mortalité (c'est-à-dire les proportions) pour tenir compte de mortalité naturelle en l'absence de l'agent, être testé. GLM modélise une distribution binomiale avec un prédicteur linéaire. Le modèle GLM dispose d'une ordonnée à l'origine à cet effet (mortalité de base). Il n’est donc pas nécessaire d’appliquer cette correction et cela modifiera en fait le résultat. Ne le faites donc pas si vous utilisez GLM pour votre analyse.
Re : Analyse Probit et tests d'ajustementJ'ai joint les mauvais modèles linéaires avec des données brutes. Voici les corrects :
Gen. Lin. Raw Data 1Gen. Lin. Raw Data 1 Le général Lin. Données brutes 1
Gen. Lin. Raw Data 2Gen. Lin. Raw Data 2 Le général. Lin. Données brutes 2
Re : Analyse Probit et tests d'ajustement
Abbott's Gen. Lin.pg 2Abbott's Gen. Lin.pg 2Le général Lin d'Abbott.pg 2
Abbott's Gen. Lin. pg 1Abbott's Gen. Lin. pg 1 Le général Lin d'Abbott. page 1
Abbott's ProbitAbbott's Probit Probit d'Abbott
Raw Data with 0s Gen. Lin. 1Raw Data with 0s Gen. Lin. 1 Données brutes avec 0s Gen. Lin. 1
Raw Data with 0s Gen. Lin.2Raw Data with 0s Gen. Lin.2 Données brutes avec 0s Gen. Lin.2
Probit Raw Data with 0s 1Probit Raw Data with 0s 1 Probiter les données brutes avec 0s 1
Probit Raw Data with 0s 2Probit Raw Data with 0s 2 Probiter les données brutes avec 0s 2
Voici les deux résultats différents que j'obtiens avec les différents ensembles de données. Si j'utilise les 0 et mes données brutes, le modèle probit et le modèle probit linéaire général semblent correspondre. Cependant, si je corrige mes données avec la correction d'Abbott et laisse de côté les 0, alors les deux modèles ne correspondent pas.
Re : Analyse Probit et tests d'ajustementD'accord,
Il semble que si j'inclus mes 0 (Contrôle de la mortalité) dans le modèle, le modèle probit linéaire général et le complément probit correspondent aux recommandations LD. Si j'utilise des données corrigées par Abbott, il y a un écart entre les deux.
Dois-je exécuter le modèle avec les 0 et les données brutes (pas d'ajustement d'Abbott), ou est-il plus correct d'ajuster les données brutes avec celles d'Abbott avant de les saisir dans le probit et de divulguer les 0 ?
Re : Analyse Probit et tests d'ajustementCet exemple est issu de notre formation, Logiciel JMP : analyse des réponses discrètes .
Nous testons les joints pour déceler toute défaillance à des niveaux de pression croissants. Voici le tableau de données avec la disposition préférée :
Notez que nous faisons pas entrez le taux d’échec (Échec / Testé) pour la réponse.
Sélectionner Analyser > Modèle adapté . Sélectionner Pression et cliquez Ajouter . Sélectionner Échoué et cliquez Oui . Sélectionner Total et cliquez Oui . (Notez que (1) vous devez saisir une colonne avec le nombre de cibles et une autre colonne avec le nombre d'opportunités et (2) vous devez saisir exactement dans cet ordre.) Cliquez Moindres carrés standards et sélectionnez Modèle linéaire généralisé . Sélectionner Binôme pour le modèle de distribution. Sélectionner Probit pour la fonction Lien. Votre boîte de dialogue de lancement devrait ressembler à :
Cliquez sur Courir .
Vous pouvez voir la réponse non linéaire et les diagnostics de régression ci-dessous :
Re : Analyse Probit et tests d'ajustementJe n'ai pas.
J'ai essayé d'exécuter le modèle dans le linéaire généralisé avec Probit, cependant, mes valeurs LD ne correspondent pas à ce que le complément Probit me donne, donc je ne suis pas sûr de ce qui se passe. J'ai lu les modèles d'ajustement linéaire, mais ce sur quoi j'essaie d'effectuer une analyse est non linéaire, ce que je n'ai honnêtement aucune expérience avec JMP.
Re : Analyse Probit et tests d'ajustementAvez-vous d'abord contacté l'auteur du complément ou lu la description et les instructions ?
JMP dispose de plusieurs plates-formes intégrées capables d'estimer de telles quantités et de fournir des statistiques d'ajustement. Ces pistes devraient vous aider à démarrer.
- Courbe d'ajustement peut s'adapter à des fonctions non linéaires courantes.
- Non linéaire est plus général et peut s'adapter à des modèles personnalisés.
- Modèles linéaires généralisés peut effectuer une analyse probit.
Avez-vous cherché probit pourtant dans Aide ou Aide > Livres > Ajustement de modèles linéaires ?
