51544_it-IT

liliconcom

Fit Model> Ordinal Logistic> Y = ranghi di dati per dati complessi non distribuiti normalmente

Ho bisogno di un controllo di integrità su un metodo di analisi che ho derivato sulla base di un paio di post su questo forum e sulle risposte a una domanda precedente.

 

Vale a dire, ho bisogno di determinare gli effetti dei livelli di trattamento e biomarker su una misura clinica che non è normalmente distribuita e non può essere trasformata in una variabile di risposta normalmente distribuita. Dal momento che JMP 11.1 non fornisce modelli multi-variabili non parametrici, ho usato un work-around: ho ricavato i ranghi delle misure cliniche e usato quei ranghi (distribuzione ordinale) come variabile di risposta in un modello logistico ordinale con trattamento e biomarker livelli come variabili di effetto.

 

Sto violando le assunzioni chiave del modello logistico usando il mio approccio work-around?

 

Se lo faccio, quale sarebbe un'alternativa accettabile (nota: binning la variabile di risposta in 2 - 4 bin non è auspicabile)?

 

Grazie

Ri: Fit Model> Ordinal Logistic> Y = ranghi dei dati per dati complessi non distribuiti normalmente

Un altro paio di pensieri:

• Le piattaforme di distribuzione mostrano che hai una risposta che non è normalmente distribuita, senza dubbio! Ma questa non è l'ipotesi della regressione. L'assunto riguarda la distribuzione degli errori. La regressione standard dei minimi quadrati presuppone che gli errori siano normalmente distribuiti, la regressione logistica binaria presuppone che gli errori siano distribuiti in modo binomiale, la regressione log-lineare di Poisson presuppone che gli errori siano distribuiti da Poisson e così via.
  • Il modello corretto per gli errori è spesso correlato al processo fisico mediante il quale vengono generate le risposte.
  • Your Residual by Predicted Plot nel secondo diario suggerisce che la distribuzione normale non è buona per gli errori, ma questo schema mi suggerisce che c'è qualcosa di insolito nella tua misura clinica.
• Hai provato ad aggiungere trasformazioni di ordine superiore del Biomarker A1 al predittore lineare? Prova ad aggiungere termini quadrati e cubici all'elenco Effetti nella finestra di dialogo Fit Model e guarda cosa succede alla regressione. (Non penso che questo da solo aiuterà con gli errori non normali).
• Qual è la misura clinica tale che limita a 0 e a 1, e tutti i dati si accumulano vicino a uno di questi due limiti?
  • Poiché è limitato a [0,1], come probabilità, potresti provare ad applicare la trasformazione logit alla misura. Selezionare Misura clinica nel Y elencare nella finestra di dialogo Fit Model, quindi fare clic sul triangolo rosso accanto a Trasformare e selezionare logit .

Ri: Fit Model> Ordinal Logistic> Y = ranghi dei dati per dati complessi non distribuiti normalmente

Ciao Mark,

 

Grazie per il tuo prezioso contributo. Trova allegati 2 file journal JMP:

1. Rapporto di distribuzione per la variabile di risposta clinica che ho descritto in precedenza
2. Fit Model> Standard Least Square report per l'analisi come suggerito

I migliori saluti,

 

Thierry

Ri: Fit Model> Ordinal Logistic> Y = ranghi dei dati per dati complessi non distribuiti normalmente

Un paio di cose a cui pensare:

 

• Si rinunciano sempre alle informazioni (e all'efficienza della stima) quando si convertono i dati di misurazione continua in dati categoriali. Come si presenta la regressione quando si utilizza direttamente la misura clinica come risposta?
• L'ipotesi di distribuzione riguarda gli errori, non la risposta. Come hai stabilito che la distribuzione normale non è un modello appropriato per gli errori?
• Come hai stabilito che una trasformazione non era possibile / utile?
• L'utilizzo dei ranghi porterà probabilmente a troppi livelli categoriali. Questo risultato è OK (effettivamente desiderabile) quando si esegue un test non parametrico, ma influenzerà negativamente la regressione perché si avranno molti, molti risultati rari (stime distorte, problemi di separazione).
• Sono disponibili due opzioni per i registri utilizzati nella regressione logistica multinomiale: ordinale (logificati cumulativi) e nominale (logit generalizzati). L'associazione di questi logits (ordinale e nominale) è in qualche modo storica. Si dovrebbe pensare alla flessibilità del modello (parametri comuni o parametri univoci) per ogni logit.

Pubblicherò di più se penso a qualcos'altro.