Überlebensanalyse: Vergleich der parametrischen VerteilungHallo JMP-Community,
Ich analysiere derzeit Daten aus einem Experiment, bei dem Fliegen 4 Dosen Insektizid und eine Lösungsmittelkontrolle ausgesetzt waren. Außerdem vergleiche ich die Sterblichkeitsreaktion zwischen verschiedenen Fliegenpopulationen. Ich habe die Daten nach organisiert Überlebensstatistik: Käfigsterblichkeit Ich habe einen nichtparametrischen Ansatz verwendet, um das Surival zwischen Dosen innerhalb einer Gruppe und zwischen Gruppen mit Log Rank und Kaplan Meier zu vergleichen, aber ich bin daran interessiert, möglicherweise parametrische Modellierungen durchzuführen, um die mittleren letalen Zeiten für jede Population bei jeder Dosis zu untersuchen. Abgesehen davon habe ich andere GLM-Probit-Arbeiten an dem Datensatz durchgeführt (anders formatiert) und habe einen signifikanten Effekt des Interaktionsausdrucks von Populationxdose gesehen. Dies gibt mir ein sicheres Gefühl bei der Verwendung von parametrischen Werten, wo ich den Interaktionsausdruck verwenden kann.
Ich habe gelesen, dass ich herausfinden muss, welche Verteilung am besten zu dem Datensatz passt, und in der JMP-Funktion von Life Distribution analysiert wurde, die sich auf Verteilungen bezieht. Basierend auf dem, was ich gelesen habe, hat Lognormal mit dem niedrigsten AICc die beste Anpassung von den drei. Ich weiß, dass die klassische Maxime "Alle Modelle sind falsch, aber einige sind nützlich" sind und dass sie auf der Integrität der gesammelten Daten basiert, aber ich bin gespannt, wann ein Modell gut genug ist, um interpretiert zu werden. Das Bild unten zeigt den Gesamtdatensatz (ohne Trennung) im Lebensverteilungsmodellvergleich. Vielleicht sollte ich mir die Verteilungen für jede Bevölkerung und Behandlung ansehen? Mein Ziel ist es wieder, die genaueste mittlere letale Zeit für jede Population bei jeder Dosis zu erhalten.
Ist die Verwendung eines Log-Rank (nichtparametrisch) und eines parametrischen Tests für den gleichen Datensatz ein Nein-Nein? Ich bin mit einem Vergleich der parametrischen Verteilung nicht vertraut, aber ich bin mir sicher, dass ich einen Likeleyhood-Ratio-Test zu einem ähnlichen Effekt verwenden könnte.
Re: Überlebensanalyse: Vergleich der parametrischen VerteilungJa, das Modell mit dem kleinsten AICc wird basierend auf den empirischen Nachweisen der Datenstichprobe als das beste Modell bewertet. Sie können auch frühere Beweise und theoretische Erkenntnisse in Betracht ziehen, sofern diese zur Verfügung stehen, um Ihre Entscheidung zu mildern.
Der Unterschied in AICc zwischen dem besten Modell und jedem anderen Modell kann Ihnen einen Eindruck von der Unterstützung des anderen Modells vermitteln. Wenn der Unterschied weniger als 4 beträgt, wird das andere Modell erheblich unterstützt. Wenn der Unterschied zwischen 4 und 7 liegt, hat das andere Modell eine wesentlich geringere Unterstützung. Wenn der Unterschied mehr als 10 beträgt, hat das andere Modell im Wesentlichen keine Unterstützung. Der kleinste AICc-Unterschied in Ihrem Fall liegt bei etwa 300. Das Lognormal-Modell ist allein auf dieser Grundlage das beste Modell im Vergleich.
Sie können AICc verwenden, um verschiedene Arten von Modellen (z. B. lineares Modell gegenüber neuronalen Netzwerkmodellen) zu vergleichen, da AICc für jedes Modell von Bedeutung ist und das Kriterium für denselben Datensatz berechnet wurde.
Sie können das parametrische Überlebensmodell jetzt über das Dialogfeld "Modell anpassen" verwenden. Wählen Sie für die Fehlerverteilung lognormal aus und fügen Sie Ihre fünfstufige Behandlung (Insecticide) hinzu. Ich empfehle Ihnen, wenn möglich, diese Ebenen mit einer kontinuierlichen Variablen darzustellen, um weitere Informationen zu erhalten. Der lineare Prädiktor kann Transformationen von Insektizid, wie z. B. Potenzen, einschließen, um eine nichtlineare Antwort zu adressieren. Dieses Modell bringt Ihre LRT in Schwung!
