Ajustar modelo> Logística ordinal> Y = rangos de datos para datos complejos no distribuidos normalmenteNecesito un control de validez en un método de análisis que obtuve en base a un par de publicaciones en este foro y en las respuestas a una pregunta anterior.
Es decir, necesito determinar los efectos del tratamiento y los niveles de biomarcadores en una medida clínica que no se distribuye normalmente y no se puede transformar en una variable de respuesta distribuida normalmente. Como JMP 11.1 no proporciona modelos multivariables no paramétricos, utilicé una solución alternativa: derivé los rangos de las medidas clínicas y usé esos rangos (distribución ordinal) como variable de respuesta en un modelo logístico ordinal con Tratamiento y Biomarcador Los niveles como variables de efecto.
¿Estoy violando las suposiciones clave del modelo logístico al utilizar mi enfoque alternativo?
Si lo hago, ¿cuál sería una alternativa aceptable (nota: no es conveniente agrupar la variable de respuesta en 2 - 4 contenedores)?
Gracias
Re: Ajuste del modelo> Logística ordinal> Y = rangos de datos para datos complejos no distribuidos normalmenteUn par de pensamientos más:
- ¡Las plataformas de Distribución muestran que tiene una respuesta que normalmente no se distribuye, sin duda! Pero ese no es el supuesto de regresión. El supuesto es sobre la distribución de los errores. La regresión de mínimos cuadrados estándar asume que los errores se distribuyen normalmente, la regresión logística binaria supone que los errores se distribuyen binomialmente, la regresión log-lineal de Poisson asume que los errores se distribuyen por Poisson, y así sucesivamente.
- El modelo correcto para los errores a menudo está relacionado con el proceso físico mediante el cual se generan las respuestas.
- Su Residual por gráfico predicho en la segunda publicación sugiere que la distribución normal no es buena para los errores, pero este patrón me sugiere que hay algo inusual en su medida clínica.
- ¿Intentaste agregar transformaciones de orden superior del biomarcador A1 al predictor lineal? Intente agregar los términos cuadrado y cúbico a la lista de efectos en el cuadro de diálogo Ajustar modelo y vea qué sucede con la regresión. (No creo que esto solo ayude con los errores anormales).
- ¿Cuál es la medida clínica que limita a 0 y a 1, y todos los datos se acumulan cerca de uno de estos dos límites?
- Como está limitado a [0,1], como probabilidad, puede intentar aplicar la transformación logit a la medida. Seleccionar Medida clinica en el Y en el cuadro de diálogo Ajustar modelo, luego haga clic en el triángulo rojo al lado de Transformar y seleccione Logit .
Re: Ajuste del modelo> Logística ordinal> Y = rangos de datos para datos complejos no distribuidos normalmenteHola, Mark,
Gracias por su valiosa aportación. Encuentra adjuntos 2 archivos JMP Journal:
- Informe de distribución para la variable de respuesta clínica que describí anteriormente
- Ajustar modelo> Informe de mínimos cuadrados estándar para el análisis como sugirió
Atentamente,
Thierry
Re: Ajuste del modelo> Logística ordinal> Y = rangos de datos para datos complejos no distribuidos normalmenteUn par de cosas para pensar:
- Siempre da información (y eficiencia de estimación) cuando convierte datos de medición continua en datos categóricos. ¿Cómo se ve la regresión cuando usa la medida clínica directamente como respuesta?
- El supuesto de distribución es sobre los errores, no la respuesta. ¿Cómo determinó que la distribución normal no es un modelo apropiado para los errores?
- ¿Cómo determinaste que una transformación no era posible / útil?
- Usar los rangos probablemente llevará a demasiados niveles categóricos. Ese resultado está bien (realmente deseable) cuando realiza una prueba no paramétrica, pero afectará negativamente su regresión porque tendrá muchos, muchos resultados raros (estimaciones sesgadas, problema de separación).
- Tiene dos opciones para los logits utilizados en la regresión logística multinomial: ordinal (logits acumulativos) y nominal (logits generalizados). La asociación de estos logits (ordinales y nominales) es algo histórica. Debe pensar en la flexibilidad del modelo (parámetros comunes o parámetros únicos) para cada logit.
Publicaré más si pienso en otra cosa.
