Analyse de survie: comparaison de distribution paramétriqueBonjour la communauté JMP,
J'analyse actuellement les données d'une expérience où des mouches ont été exposées à 4 doses d'insecticide et à un solvant de contrôle. De plus, je compare la réponse de la mortalité entre différentes populations de mouches. J'ai les données organisées en fonction de Statistiques de survie: mortalité en cage J'utilise une approche non paramétrique pour comparer la survie entre les doses au sein d'un groupe et entre les groupes à l'aide de Log Rank et de Kaplan Meier, mais je souhaiterais potentiellement faire de la modélisation paramétrique pour examiner les temps létaux médians de chaque population à chaque dose. En passant, j’ai effectué d’autres travaux de probit GLM sur l’ensemble de données (formaté différemment) et j’ai constaté un effet significatif du terme d’interaction populationxdose, ce qui me donne davantage confiance dans l’utilisation de paramétrique où je peux inclure le terme d’interaction.
Je lisais qu'il me fallait voir quelle distribution correspond le mieux à l'ensemble de données et analysais dans la fonctionnalité Life Distribution JMP en examinant les distributions. D'après ce que j'ai lu, avec le plus bas AICc, Lognormal a le meilleur ajustement des trois. Je connais la maxime classique selon laquelle "tous les modèles ont tort, mais que certains sont utiles" et qu’elle repose sur l’intégrité des données que j'ai collectées, mais je suis curieux de savoir quand un modèle est assez bon pour être interprété. L'image ci-dessous montre l'ensemble de données total (sans ségrégation) dans la comparaison du modèle Life Distribution. Peut-être devrais-je aussi regarder les distributions pour chaque population et traitement? Encore une fois, mon objectif est d’obtenir le temps mortel médian le plus précis possible pour chaque population à chaque dose.
De plus, l'utilisation d'un log-rank (non paramétrique) et d'un test paramétrique sur le même jeu de données est un non-non? Je ne connais pas bien la comparaison paramétrique de la distribution, mais je suis sûr que je pourrais utiliser un test du ratio de similarité pour un effet similaire.
Re: Analyse de survie: Comparaison de distribution paramétriqueOui, le modèle avec le plus petit AICc est considéré comme le meilleur modèle sur la base des preuves empiriques fournies par l'échantillon de données. Vous pouvez également prendre en compte des preuves antérieures et des résultats théoriques, le cas échéant, pour tempérer votre décision.
La différence en AICc entre le meilleur modèle et tout autre modèle peut vous donner une idée du support de l'autre modèle. Si la différence est inférieure à 4, l'autre modèle bénéficie d'un soutien substantiel. Si la différence est comprise entre 4 et 7, le support de l'autre modèle est considérablement réduit. Enfin, si la différence est supérieure à 10, l’autre modèle n’a essentiellement aucun soutien. La plus petite différence AICc dans votre cas est d’environ 300; aussi, basé sur ces seules preuves, le modèle Lognormal est-il le meilleur modèle parmi ceux de la comparaison.
Vous pouvez utiliser AICc pour comparer différents types de modèles (par exemple, un modèle linéaire par rapport à un modèle de réseau neuronal), car il est significatif pour chaque modèle et le critère a été calculé pour le même ensemble de données.
Vous pouvez maintenant utiliser le modèle de survie paramétrique via la boîte de dialogue Ajuster le modèle. Sélectionnez lognormal pour la distribution des erreurs et ajoutez votre traitement à cinq niveaux (insecticide). Je recommande, si possible, de représenter ces niveaux avec une variable continue pour plus d'informations. Le prédicteur linéaire peut inclure des transformations d’Insecticide, telles que des pouvoirs, pour traiter une réponse non linéaire. Ce modèle mettra votre TLR en route!
