51544_fr-FR

liliconcom

Modèle d'ajustement> Logistique ordinale> Y = rangs de données pour des données complexes non distribuées normalement

J'ai besoin d'un contrôle de cohérence sur une méthode d'analyse que j'ai dérivée sur la base de quelques articles sur ce forum et sur les réponses à une question précédente.

 

À savoir, je dois déterminer les effets des niveaux de traitement et de biomarqueurs sur une mesure clinique qui n'est pas normalement distribuée et qui ne peut pas être transformée en une variable de réponse normalement distribuée. Etant donné que JMP 11.1 ne fournit pas de modèles multivalents non paramétriques, j'ai utilisé une solution de contournement: j'ai dérivé les classements des mesures cliniques et utilisé ces classements (distribution ordinale) comme variable de réponse dans un modèle logistique ordinal avec Traitement et Biomarqueur. niveaux en tant que variables d'effet.

 

Est-ce que je viole les principales hypothèses du modèle logistique en utilisant mon approche de contournement?

 

Si tel est le cas, quelle serait une alternative acceptable (remarque: regrouper la variable de réponse dans 2 à 4 catégories n’est pas souhaitable)?

 

Je vous remercie

Modèle Aj> Logistique ordinale> Y = rangs de données pour des données complexes non distribuées normalement

Quelques réflexions supplémentaires:

• Les plateformes de distribution montrent que vous avez une réponse qui n'est pas normalement distribuée, sans aucun doute! Mais ce n’est pas l’hypothèse de régression. L'hypothèse concerne la distribution des erreurs. La régression standard des moindres carrés suppose que les erreurs sont normalement distribuées, la régression logistique binaire suppose que les erreurs sont distribuées de manière binomiale, la régression log-linéaire de Poisson suppose que les erreurs sont distribuées de Poisson, etc.
  • Le modèle correct pour les erreurs est souvent lié au processus physique par lequel les réponses sont générées.
  • Votre résidu par parcelle prédite dans le deuxième journal suggère que la distribution normale n'est pas bonne pour les erreurs, mais cette tendance me suggère qu'il y a quelque chose d'inhabituel dans votre mesure clinique.
• Avez-vous essayé d'ajouter des transformées d'ordre supérieur du Biomarqueur A1 au prédicteur linéaire? Essayez d'ajouter les termes carrés et cubiques à la liste Effets de la boîte de dialogue Ajuster le modèle et voyez ce qu'il advient de la régression. (Je ne pense pas que cela suffira à résoudre les erreurs non normales).
• Quelle est la mesure clinique telle qu’elle se limite à 0 et à 1, et que toutes les données s’accumulent près de l’une de ces deux limites?
  • Comme il est limité à [0,1], comme la probabilité, vous pouvez essayer d'appliquer la transformation logit à la mesure. Sélectionner Mesure clinique dans le Y liste dans la boîte de dialogue Adapter le modèle, puis cliquez sur le triangle rouge en regard de Transformer et sélectionnez Logit .

Modèle Aj> Logistique ordinale> Y = rangs de données pour des données complexes non distribuées normalement

Salut Mark,

 

Merci pour votre précieuse contribution. Trouvez ci-joint deux fichiers du journal JMP:

1. Rapport de distribution pour la variable de réponse clinique que j'ai décrite précédemment
2. Ajuster le modèle> Rapport standard des moindres carrés pour l'analyse que vous avez suggéré

Meilleures salutations,

 

Thierry

Modèle Aj> Logistique ordinale> Y = rangs de données pour des données complexes non distribuées normalement

Quelques points à prendre en compte:

 

• Vous renoncez toujours aux informations (et à l'efficacité de l'estimation) lorsque vous convertissez des données de mesure en continu en données catégorielles. À quoi ressemble la régression lorsque vous utilisez la mesure clinique directement comme réponse?
• L'hypothèse de distribution concerne les erreurs, pas la réponse. Comment avez-vous déterminé que la distribution normale n'est pas un modèle approprié pour les erreurs?
• Comment avez-vous déterminé qu'une transformation n'était pas possible / utile?
• L'utilisation des rangs mènera probablement à un trop grand nombre de niveaux catégoriels. Ce résultat est OK (réellement souhaitable) lorsque vous effectuez un test non paramétrique, mais il affectera négativement votre régression car vous obtiendrez de très nombreux résultats rares (estimations biaisées, problème de séparation).
• Vous avez deux choix pour les logits utilisés dans la régression logistique multinomiale: ordinal (logits cumulés) et nominal (logits généralisés). L'association de ces logits (ordinaux et nominaux) est quelque peu historique. Vous devez penser à la flexibilité du modèle (paramètres communs ou paramètres uniques) pour chaque logit.

J'en posterai plus si je pense à autre chose.