Ciao community JMP,
Attualmente sto analizzando i dati di un esperimento in cui le mosche sono state esposte a 4 dosi di insetticida e un controllo del solvente. Furthurmore, sto confrontando la risposta alla mortalità tra diverse popolazioni di mosche. Ho organizzato i dati secondo Statistiche di sopravvivenza: mortalità della gabbia Ho usato un approccio non parametrico per confrontare la sopravvivenza tra le dosi all'interno di un gruppo e tra i gruppi utilizzando Log Rank e Kaplan Meier, ma sono interessato a fare potenzialmente modellazione parametrica per esaminare i tempi medi letali per ciascuna popolazione ad ogni dose. Per inciso, ho fatto un altro lavoro GLM probit sul set di dati (formattato in modo diverso) e ho visto un effetto significativo del termine dell'interazione popolazionexdose e questo mi fa sentire più sicuro sull'uso del parametric dove posso includere il termine di interazione.
Ho letto che ho bisogno di vedere quale distribuzione si adatta meglio al set di dati e ho analizzato la funzione JMP di Life Distribution guardando le distribuzioni. Sulla base di ciò che ho letto, con l'AICc più basso, Lognormal ha il miglior adattamento dei tre. Conosco la massima classica di "tutti i modelli sono sbagliati ma alcuni sono utili" e che si basa sull'integrità dei dati raccolti ma sono curioso di sapere quando un modello è abbastanza buono da essere interpretato. L'immagine qui sotto mostra il set di dati totale (senza segregazione) nel confronto del modello Life Distribution. Forse dovrei guardare anche alle distribuzioni per ogni popolazione e trattamento? Ancora una volta il mio obiettivo è ottenere il tempo letale mediano più accurato per ogni popolazione ad ogni dose.
Inoltre usa un log-rank (non parametrico) e un test parametrico sullo stesso set di dati un no-no? Non ho familiarità con un confronto parametrico di distribuzione, ma sono sicuro che potrei usare un test del rapporto di likeleyhood con un effetto simile.
Sì, il modello con il più piccolo AICc è giudicato il miglior modello sulla base delle prove empiriche fornite dal campione di dati. Potresti anche prendere in considerazione prove precedenti e scoperte teoriche se disponibili per temperare la tua decisione.
La differenza di AICc tra il modello migliore e qualsiasi altro modello può darti un'idea del supporto per l'altro modello. Se la differenza è inferiore a 4, l'altro modello ha un supporto sostanziale. Se la differenza è tra 4 e 7, l'altro modello ha un supporto notevolmente inferiore. Infine, se la differenza è superiore a 10, l'altro modello non ha sostanzialmente alcun supporto. La più piccola differenza di AICc nel tuo caso è di circa 300, quindi sulla base di questa evidenza, il modello Lognormal è il miglior modello di quelli nel confronto.
È possibile utilizzare AICc per confrontare diversi tipi di modelli (ad esempio, modello lineare o modello di rete neurale) finché AICc è significativo per ogni modello e il criterio è stato calcolato per lo stesso set di dati.
Ora è possibile utilizzare il modello Parametric Survival tramite la finestra di dialogo Fit Model. Selezionare lognormale per la distribuzione degli errori e aggiungere il trattamento a cinque livelli (Insetticida). Raccomando, se possibile, di rappresentare questi livelli con una variabile continua per maggiori informazioni. Il predittore lineare può includere trasformazioni di insetticida, come i poteri, per indirizzare la risposta non lineare. Quel modello farà andare il tuo LRT!
