刪失數據的方法比較嗨，小組，
我想比較區間刪失的分析方法（定量限 - 定量上限）。 所以我觀察到的值為 
（LOQ）以及 >120（上限 LOQ）。 通常布蘭德-奧特曼會這樣做，但在這種情況下我不確定。
有些人建議用最低的 BQL 觀測值替換 LOQ/2。 但是上面的 LOQ 怎麼樣？
2014 年 JMP Discovery 峰會上討論了審查數據（ https://community.jmp.com/kvoqx44227/attachments/kvoqx44227/discovery-2014-content/53/1/Discovery%20Summit%202014%20(Your%20Data%20Is%20Censored).pdf ）但本文檔中對此解釋甚少。
關於如何處理這些數據有什麼建議嗎？
預先感謝您的任何意見
戴夫
回复：截尾數據的方法比較不幸的是，廣義回歸無法同時處理 X 和 Y 中的錯誤。 目前，只有 Bivariate 可以使用 Fit Orthogonal 命令處理這種情況。 方法比較涉及新測定與標準測定的回歸分析。 兩種分析都有錯誤。
回复：截尾數據的方法比較嗯，對我來說這是一個新的研究領域，我正在學習。 但我首先想到的是這些特殊的觀察結果。 請查看下表，其中顯示了兩種不同方法以相同單位進行的濃度測量。他們有不同的 LOQ：
| 方法A | 方法B |
| 6.8 | 9.8 |
| <0.1 | <0.035 |
| 1.5 | <0.035 |
| 5.4 | 7.2 |
| 9.9 | 9.1 |
| 5 | 6 |
| 2 | 2.9 |
| 6.9 | 13.9 |
| <0.1 | <0.035 |
| <0.1 | <0.035 |
| <0.1 | 0.34 |
| <0.1 | <0.035 |
| <0.1 | <0.035 |
| <0.1 | 0.49 |
| <0.1 | <0.035 |
| <0.1 | <0.035 |
| 4 | 1.9 |
| 6.7 | 3 |
| 6.8 | 5.2 |
| 0.3 | <0.035 |
| 6.3 | 3.5 |
| 3.2 | 3 |
| >10 | >15 |
| 6.7 | 1.2 |
| 7.8 | 1.5 |
| 6.5 | 4.1 |
| 4 | 2.5 |
| 5.1 | 1.9 |
| 3.6 | 3.9 |
| 1.2 | 0.8 |
如果我必須放棄這些觀察結果，那麼這將占我數據集的 30%，因為必須成對進行比較分析。 但仔細觀察可以發現，在大多數
最初的想法可能是，好吧，觀測值分別高於 10 和 15 個單位，因此該觀測值對於一種方法至少有 10 個單位，而對於另一種方法至少有 15 個單位。 這是有用的信息，不是嗎？ 另一方面，<0.035 不能也不應該被 0.035 替代，可以嗎？ 如前所述，一些作者使用 LOQ/2 作為這些值，其他作者使用 0，其他作者則丟棄該信息。
最好的，
大衛
回复：截尾數據的方法比較嗨大衛，
不，這在 JMP 中是不可能的。 事實上，我不確定是否可以在 JMP Pro 的 Gen Reg 中分析左刪失和右刪失的數據。 您絕對可以選擇其中之一。 但不是兩者兼而有之。 您可以在 Gen Reg 中進行間隔刪失。但是，正如馬克所說，這不是你所擁有的。
我認為您可能需要考慮不同的解決方案。
使用 LoQ 之外的樣本進行方法比較是否有意義？ 這如何幫助您回答“我的方法等效嗎？”的問題？
回复：截尾數據的方法比較謝謝菲爾！
我有 JMP 13，而不是 JMP Pro，這可以使用擬合模型並選擇廣義線性模型來實現嗎？您將如何在數據庫中輸入這些值並定義列信息？
回复：截尾數據的方法比較嗨大衛，
了解 JMP Pro 中的廣義回歸平台可以處理審查數據可能會很有用。 您可以使用它來嘗試比較兩種蛋白質測量技術的平均值，包括 LoQ 數據。
問候，
菲爾
回复：截尾數據的方法比較嗨，馬克，
感謝您的有用評論。 我了解使用生命分佈進行生存分析，我的數據確實與這些情況不同。 問題只是找出是否有一種方法可以利用那些低於和高於 LOQ 的值，而不是直接丟棄它們。 生存分析包含審查數據，我想找出方法比較分析中是否有類似的東西。 據我了解，第 13 頁上的 Jose 問題指出，感興趣的問題是當檢測限為 0.05 時有多個觀察值時，兩個分析儀的性能是否相同。 這不是生存數據，是嗎？
從文獻中，人們使用幾種不同的方法來處理它們。 有些直接丟棄這些值。 其他人將它們轉換為近似值（如前所述），正如您完美提到的，這可能會引入一些偏差。 但在邊緣引入一些偏差與丟棄觀察結果之間存在權衡。 在一項臨床研究中，您可能會遇到這樣的情況：您有20 名患者，其中6 名或7 名患者的測量濃度低於一台分析儀的LOQ，但另一台分析儀的測量值100% 在範圍內。 很難將它們扔掉。
大衛
回复：截尾數據的方法比較是的，在回答你的問題之前我讀了何塞的論文。 他的數據分析和你的數據分析之間唯一的相似之處是你們都對數據進行了審查。 這壽命分佈平台與平台有著相同的目的分配平台，但它被擴展為提供不同的分佈模型和結果，這些模型和結果通常是從分析中預期的事件發生時間數據。（想想生存或可靠性分析。）您會使用其中之一嗎分配或者壽命分佈來模擬分析的分佈？ 您想比較兩次測定的值分佈嗎？
回复：截尾數據的方法比較親愛的馬克，感謝您提供非常有用的意見。 我想知道您是否有時間閱讀我在原始帖子中提到的 JMP Discovery Summit 文檔。 在第 13 和 14 頁，José G Ramirez 似乎正在討論我面臨的類似問題。 他執行了我認為的生命分佈分析。
大衛
回复：截尾數據的方法比較我的問題只是想了解您打算使用哪些方法。
不幸的是，大多數統計方法不承認審查。因此，據我所知，大多數比較（例如 CLSI）都會忽略超出測定定量範圍的數據。 您可以分別比較兩種檢測的檢測能力和線性度。
回复：截尾數據的方法比較親愛的馬克，
感謝您的回答並澄清數據性質，我會記住這一點。
關於你的問題，我不確定我是否正確。 我有兩種檢測蛋白質的定量方法，我想對它們進行比較。 如果我沒記錯的話，用於比較此類測量的最合適的方法（或者至少是我在文獻中找到的一些方法）是 Bland-Altman 圖和 Passing-Bablok 回歸。 它是否正確？ 您還可以建議其他方法嗎？
我知道替換數據會引入偏差，但是如何分析結果為“小於”或“大於”的數據呢？ 我不能忽視它，因為它提供了有價值的信息（主要是缺乏蛋白質，但另一方面也含有大量蛋白質）
最好的，
大衛
回复：截尾數據的方法比較您的數據是不是間隔審查。 您的觀察結果 < LOQ 是左審查您的觀察結果 > LOQ 是右刪失。 您在這些限制之間的觀察結果是準確的。
不要對左刪失觀測值使用 LOQ/2，因為這特別指定替換會使你的答案產生偏差。
您如何“比較兩種分析方法”？
