Hola comunidad JMP,
Actualmente estoy analizando datos de un experimento donde las moscas fueron expuestas a 4 dosis de insecticida y un control de solvente. Furthurmore, estoy comparando la respuesta de mortalidad entre diferentes poblaciones de moscas. Tengo los datos organizados de acuerdo a Estadística de supervivencia: mortalidad en jaulas. He estado utilizando un enfoque no paramétrico para comparar la supervivencia entre las dosis dentro de un grupo y entre los grupos que usan Log Rank y Kaplan Meier, pero estoy interesado en hacer un modelo paramétrico para observar la mediana de los tiempos letales para cada población en cada dosis. Además, he estado haciendo otro trabajo probit GLM en el conjunto de datos (con un formato diferente) y he visto un efecto significativo del término de interacción de la población-dosis y esto me hace sentir más seguro al usar el parámetro paramétrico donde puedo incluir el término de interacción.
He estado leyendo que necesito ver qué distribución se adapta mejor al conjunto de datos y he estado analizando en la función Life Distribution JMP que analiza las distribuciones. Según lo que he leído, con el AICc más bajo, Lognormal tiene el mejor ajuste de los tres. Sé que la máxima clásica de "todos los modelos son incorrectos pero algunos son útiles" y que se basa en la integridad de los datos que recopilé, pero siento curiosidad por saber cuándo un modelo es lo suficientemente bueno como para ser interpretado. La siguiente imagen muestra el conjunto de datos total (sin segregación) en la comparación del modelo de distribución de vida. Tal vez debería mirar las distribuciones para cada población y el tratamiento también? De nuevo, mi objetivo es obtener el tiempo letal mediano más preciso para cada población en cada dosis.
También está utilizando un rango de registro (no paramétrico) y una prueba paramétrica en el mismo conjunto de datos ¿no-no? No estoy familiarizado con una comparación de distribución paramétrica, pero estoy seguro de que podría usar una prueba de relación de probabilidad para un efecto similar.
Sí, el modelo con el AICc más pequeño se considera el mejor modelo en base a la evidencia empírica proporcionada por la muestra de datos. También puede considerar evidencia previa y hallazgos teóricos si está disponible para moderar su decisión.
La diferencia en AICc entre el mejor modelo y cualquier otro modelo puede darle una idea del soporte para el otro modelo. Si la diferencia es menor que 4, entonces el otro modelo tiene un soporte sustancial. Si la diferencia es entre 4 y 7, entonces el otro modelo tiene mucho menos soporte. Finalmente, si la diferencia es más de 10, entonces el otro modelo no tiene soporte. La diferencia AICc más pequeña en su caso es de aproximadamente 300, por lo que, solo en base a esta evidencia, el modelo Lognormal es el mejor modelo de aquellos en la comparación.
Puede usar AICc para comparar diferentes tipos de modelos (p. Ej., Modelo lineal versus modelo de red neuronal), ya que, junto con AICc, es significativo para cada modelo y el criterio se calculó para el mismo conjunto de datos.
Ahora puede utilizar el modelo de supervivencia paramétrica a través del cuadro de diálogo Ajustar modelo. Seleccione lognormal para la distribución de errores y agregue su tratamiento de cinco niveles (insecticida). Recomiendo, si es posible, que represente estos niveles con una variable continua para obtener más información. El predictor lineal puede incluir transformaciones de insecticida, como las potencias, para abordar la respuesta no lineal. ¡Ese modelo hará que tu LRT funcione!
