概率分析和拟合检验我正在使用简单概率分析脚本插件来确定 LD50、LD90 和 LD95。
该脚本是否能够使用 Abbott 进行校正，或者如何设置？目前，我通过对原始数据应用雅培修正来调整死亡率，从而自行修正了数据。
运行 Probit 插件后，如何确定拟合优度？没有卡方结果。是否有其他方法可以运行此分析来获取 LD 值以及卡方？
回复：概率分析和拟合检验排除高反应的是不是从建模或统计的角度来看是可以接受的。 你是在建议你排除有效数据克服一个研究的基本缺陷。 （我知道您无法预见该药物的效力，但这并不能消除数据中的缺陷。）您需要剂量 = 0 和剂量 = 1.64 之间的更多数据，而不是更少的数据来解决此问题。
在你的情况下排除高剂量样本可能是可以接受的，但我无法证明它是合理的。 您（可能）通过这种方式获得“更好”模型的事实并不是验证。 您根本无法从该剂量反应数据样本中确定 LD50，只能说 LD50 出现在 0 到 1.64 之间。
回复：概率分析和拟合检验那么，在这一点上排除高反应以获得“拟合”模型是否可以接受，我可以用它来估计预测剂量或剂量范围以作为后续测试？ 我们没有预料到在非常低的剂量下会产生高反应，这就是为什么我没有中间的数据。 现在，我需要能够确定对这些药物的一些建议，然后可以通过二次研究来确认。回复：概率分析和拟合检验我无法评论您引用的差异，但他们对数据提出了质疑。
拟合的问题在于数据表现出“分离”问题。 在某一水平（剂量 = 0），您的反应较低，而在所有其他水平（剂量 > 0），您的反应较高。 从低响应到高响应的转变是不可能确定的。 尝试用这个数据自己找到LD50，你就会明白这个问题了。 （它出现在 0.1 处吗？ 0.5？ 1.5？）
您必须执行另一次剂量反应测试，其中剂量范围为 0 到 1.64，以便拟合概率模型并估计 LD50。
回复：概率分析和拟合检验（抱歉，今天我被拉了 1000 个方向。 
）
这是一个不同的代理。 我一共测试了6种不同的代理。 如果可能的话，我被要求在 10 分钟内给出建议，最多 15 分钟。 我有几个与此类似的数据集，其中剂量高于 1.64 或 10% 时死亡率非常高。
为什么该模型在高剂量死亡率高的情况下不起作用？
我认为大部分与数据有关，因为我对几个代理产生了一些奇怪的影响。 我曾经遇到过低剂量比高剂量更有效的情况。 该模型在这种情况下也不起作用。 由于蒸发，一些 100 剂量的效果不如较低剂量，但如果我排除这些剂量，模型就可以正常工作。
在另一组中，我的控制者都经历了 0 道德（与之前的控制者不同的物种）。 这些似乎也造成了差异。回复：概率分析和拟合检验你没有回答我的任何问题。
此示例必须是与您在 15 分钟测试的示例不同的代理。 同样的药剂只要多接触五分钟就会变得更加致命，这是没有意义的。
您必须使用不同的稀释度/剂量范围（更高的稀释度、更低的剂量）来观察转变。 最高剂量应为1.64。 您应该在测试和数据分析中包含零。 这个新数据是此时适合该代理的概率模型的唯一方法。
回复：概率分析和拟合检验这是我特别遇到问题的数据集之一。如果我隐藏/排除 0，模型将适合。
回复：概率分析和拟合检验- 是数据问题吗？
- 您是否存在异常值或数据错误？
- 您是否意外排除了应包含的行？
- 是模型问题吗？
- 您是否使用了正确的响应栏？
- 您使用的是正确的预测列吗？
- 是不是身材不够好？
- 是模型假设问题吗？
- 误差是否按预期分布？
- 误差在预测变量的整个范围内是否恒定？
回复：概率分析和拟合检验当某些模型不合适时我该怎么办？ 
回复：概率分析和拟合检验谢谢你！当你说不包括死亡率时，我被绊倒了，所以我仔细检查了是否应该使用死亡或存活人数作为响应。希望我不会再遇到什么大问题了！
非常感谢您的帮助！
回复：概率分析和拟合检验请参阅我的回复，其中包含完整的分析，最后的问题是“所以我们现在同意了，不是吗？” 它向您展示了如何在 JMP 数据表中设置数据。 它还向您展示了如何在“拟合模型”启动对话框中将数据列分配给分析角色，并更改其他设置以进行正确的概率分析。 我没有对剂量水平进行任何转换——这是不必要的。
回复：概率分析和拟合检验那么我是否使用死亡人数作为我的回应？我的“开始”是在进行治疗之前我有多少活细胞计数。15 分钟的专栏是死亡。这是正确的吗？还是我需要使用实时计数作为我的响应？
我是否需要使用“变换”下拉列表将 LOG 应用到“剂量”，或者如果没有它，该分析是否可以正常进行？
回复：概率分析和拟合检验是的，您包括剂量 = 0 的对照组。
您输入每个剂量的两个计数，因此您不使用死亡率，也不应用 Abbott 校正。
您应该为每个时间间隔执行单独的概率分析。 我对 15 分钟后收集的剂量反应数据进行了正确的 Probit 分析（如上所示 - 正确分析的答复以我向您提出的问题结束：“所以我们现在同意了，不是吗？”）。 如果您有任何疑问，请告诉我。
对其他时间间隔后收集的数据执行此分析。 如果您在重复这项工作时遇到困难，请告诉我。
您不应期望每组的估计值（收集时间）都相同。 您应该正确执行分析，而不是将结果与其他不正确变体的结果进行比较。
回复：概率分析和拟合检验另外，我需要包含 Controls/0 吗？ 这将是 5 剂，每剂 4 次。回复：概率分析和拟合检验没问题，这对我来说是一次很好的学习经历。
我有 4 行，因为我在每个剂量下进行了 4 次重复。 我注射了 4 剂，每剂重复 4 次。 我确实以 1 分钟、5 分钟、10 分钟和 15 分钟的间隔监测每次治疗。回复：概率分析和拟合检验对于回复混乱，我深表歉意（尽管这不是我的错）。 它无助于解决已经存在的混乱。
在我认为我们可以结束这次讨论之前，我有一个问题：为什么每个剂量有四个观察值（行）？ 每一行代表什么？
再次，忘记生命分布。 您的同事是正确的，您需要进行概率分析。 我现在正在努力确保您的数据表设置正确，并且在拟合模型中正确定义分析以进行概率分析。 在您解释为什么每个剂量有四行之后，我想使用您之前的数据示例：
回复：概率分析和拟合检验我想到了。 Probit Add-In 需要实时数据，它会自行计算死计数。 广义线性获取死计数。
因此，如果我运行 GLM，我是否包括我的对照/0 剂量？回复：概率分析和拟合检验我们已经确定您会这样做不是有寿命或者事件发生时间数据。 你有一个案例剂量反应数据。 您在 15 分钟收集了观测值，因此时间是固定的。 你数过的死亡人数和受试者总数在每个剂量。 正如我向您展示的那样，此案例由 GLM 处理。 请忽略使用生命分布的基于生命周期的示例。 生存分析方法可以不是在这里申请。 您应该在刚开始时使用概率分析。
回复：概率分析和拟合检验
以下是概率添加中与生成中相同数据的比较。线性概率。如果我恢复预测的对数剂量，它与一般线性模型中的相同结果不匹配。
回复：概率分析和拟合检验我不确定这是否有效。 我周围的人反对以这种方式进行分析。 他们想要概率。
回复：概率分析和拟合检验
以下是我的设置方法和数据：
回复：概率分析和拟合检验
所以我在没有控制的情况下使用了原始的、未经调整的数据并想出了这个。
我是否将此解释为：100% 剂量的 LD90 为 4.33 分钟？由于没有卡方，我如何确定它的拟合度？（我被要求展示我使用的模型的拟合优度。）
我是否将死亡视为“失败”？
回复：概率分析和拟合检验好吧，我想我现在明白了。 我一开始就是正确的，而且是不是生存分析（生命周期）。 我们回到我的 GLM 示例，但现在我将使用您的数据。 以下是 JMP 数据表中的数据：
像以前一样设置“拟合模型”启动对话框：
点击跑步然后你会得到这些结果：
单击旁边的红色三角形广义线性模型拟合并选择逆预测。 类型0.5 （以及您想要的任何其他）概率（死亡）然后单击好的。
所以现在我们同意了，不是吗？
回复：概率分析和拟合检验您关于测试死亡率的最后评论随着时间的推移我认为改变一切。 我的例子不相关。 我的例子是这样的情况：将多个样本或受试者 (20) 分配给每个因素水平（5）。 每个级别都是一个独立样本 (5x20)。 样本或受试者总数是每个级别样本的总和（100）。 我相信您从固定数量的受试者（例如总共 60 个）开始，在固定级别引入代理级别，并且随着时间的推移监控同一组（受试者）。 是的？
假设我是正确的，那么你想使用重复措施在生存分析。
JMP中的方法和平台是为可靠性分析而开发的，但其实是一回事。 请注意，如果您明白我的意思，这些词语和标签是针对可靠性工程师而不是生物学家的。
设置您的数据，如下例所示：
在此示例中，我从 6 个月的计划开始就监控了总共 60 个科目。 我需要两列来代表响应（生命），因为我不是连续监测受试者，而是每月一次。 这个过程导致间隔审查。 我没有观察到确切的生活，而是观察到它发生在一个间隔期间。
- 第一行代表测试的开始。 在这个模拟中，一开始就有 2 名受试者死亡。
- 第二行代表第一个月开始和结束之间死亡的受试者数量 (3)。
- 第三行代表第二个月死亡的受试者数量（3），依此类推。
- 最后一行代表执行此操作的受试者数量不是在研究结束时死亡 (20)。
我添加了另一列“状态”来指示观察的状态，但这对于分析来说不是必需的。 按照以下步骤执行分析：
- 选择分析>可靠性和生存>寿命分布。
- 选择开始和结尾然后单击Y，事件发生时间。
- 选择数数然后单击频率。
启动对话框应如下所示：
（请注意，审查分析角色适用于右审查数据。 当使用两个响应列进行区间删失时则不需要。）
点击好的。
初步分析基于非参数估计失效概率来自 Kaplan-Meier 产品限制。 （您可以单击顶部的红色三角形将其从失败图更改为生存图。）您可以使用左侧的复选框和单选按钮来缩放绘图和拟合分布模型，分别为数据。 让我们拟合一个正态分布。 查看这普通的复选框和点击这普通的单选按钮：
选择模型后，使用统计大纲获得所需的结果。 例如，您的 LD50 可在此处作为分位数对应于故障概率 = 0.5，因此使用分位数刻画器估算 LD50：
本例中的 LD50 为 3.688803 个月（3.22981 个月到 4.1478 个月，置信度为 95%）。
回复：概率分析和拟合检验以下是数据示例：
| 剂量（%浓度） | 开始（#live） | 死亡率 @ 15 分钟（＃死的） |
| 100.00 | 13 | 13 |
| 100.00 | 10 | 10 |
| 100.00 | 11 | 11 |
| 100.00 | 13 | 13 |
| 25:00 | 10 | 9 |
| 25:00 | 23 | 17 号 |
| 25:00 | 15 | 9 |
| 25:00 | 9 | 6 |
| 10:00 | 14 | 3 |
| 10:00 | 10 | 1 |
| 10:00 | 10 | 4 |
| 10:00 | 16 | 7 |
| 1.64 | 11 | 1 |
| 1.64 | 12 | 3 |
| 1.64 | 13 | 4 |
| 1.64 | 24 | 4 |
我正在尝试获取 LD50/LD90/LD95 结果以获取剂量建议。 我有 5 分钟、10 分钟和 15 分钟申请的信息。
这是我的控制数据：
| 剂量（%浓度） | 开始（#live） | 死亡率 (#dead) |
| 0 | 10 | 1 |
| 0 | 11 | 6 |
| 0 | 10 | 3 |
| 0 | 15 | 4 |
回复：概率分析和拟合检验我和你一样困惑。
你应该有二您的回复很重要每个预测变量的级别：一个计数是死亡人数，另一个计数是可能死亡人数。 你应该有一预测器。 通常是浓度或对数浓度。 真的吗？ 或者是时间到了？ 您是否想估算固定浓度下 LD50 的时间？
请使用我分享的示例中展示的数据格式不是比率或比例。 推理需要计数。 1/10 或 100/1000 的情况可能会产生 0.1 的比率。 两种情况的比率相同，但样本量却截然不同。
再次，如果您按照我所示输入数据并按照我所示设置 GLM，您可以忘记 Abbott 对利率的修正。 您应该输入 time=0 的两个计数。
回复：概率分析和拟合检验因此，如果我使用 GLM 分析，是否包含 0/控制数据和初始原始数据？ 这样做时，将“0”调整为“0.005”以进行对数转换是否正确？ 我正在测试不同时间点有药物存在时的死亡率。
回复：概率分析和拟合检验Abbott 修正适用于死亡率（即比例）来解释自然死亡率在没有试剂的情况下进行测试。 GLM 使用线性预测器对二项分布进行建模。 GLM 模型有一个用于此目的的截距（基线死亡率）。 因此，没有必要应用此校正，事实上，这样做会改变输出。 因此，如果您使用 GLM 进行分析，请不要这样做。
回复：概率分析和拟合检验我用原始数据附加了错误的线性模型。 以下是正确的：
Gen. Lin. Raw Data 1Gen. Lin. Raw Data 1林将军。 原始数据1
Gen. Lin. Raw Data 2Gen. Lin. Raw Data 2将军 林. 原始数据2
回复：概率分析和拟合检验
Abbott's Gen. Lin.pg 2Abbott's Gen. Lin.pg 2雅培的林将军.pg 2
Abbott's Gen. Lin. pg 1Abbott's Gen. Lin. pg 1艾伯特的林将军。第 1 页
Abbott's ProbitAbbott's Probit雅培的概率
Raw Data with 0s Gen. Lin. 1Raw Data with 0s Gen. Lin. 10s Gen. Lin 的原始数据。 1
Raw Data with 0s Gen. Lin.2Raw Data with 0s Gen. Lin.2 0s Gen. Lin.2 的原始数据
Probit Raw Data with 0s 1Probit Raw Data with 0s 1带有 0 和 1 的 Probit 原始数据
Probit Raw Data with 0s 2Probit Raw Data with 0s 2Probit 原始数据 0s 2
这是我使用不同数据集得到的两个不同结果。 如果我使用 0 和原始数据，概率模型和一般线性概率模型似乎都匹配。 但是，如果我用 Abbott 修正来修正数据并省略 0，则两个模型不匹配。
回复：概率分析和拟合检验好的，
看来，如果我将 0（死亡率控制）纳入模型中，一般线性概率模型和概率插件都符合 LD 建议。 如果我使用雅培校正数据，那么两者之间存在差异。
我应该使用 0 和原始数据运行模型（没有 Abbott 调整），还是在输入概率并排除 0 之前使用 Abbott 调整原始数据更正确？
回复：概率分析和拟合检验这个例子来自我们的培训课程， JMP 软件：分析离散响应。
我们正在测试密封件在增加的压力水平下是否失效。 这是具有首选布局的数据表：
请注意，我们这样做不是输入响应的失败率（失败/已测试）。
选择分析>适合模型。 选择压力然后单击添加。选择失败的然后单击是。选择全部的然后单击是。 （请注意，(1) 您必须输入一列包含目标计数，另一列包含机会计数，并且 (2) 必须完全按照该顺序输入。）单击标准最小二乘法并选择广义线性模型。 选择二项式对于分布模型。 选择普罗比特对于链接功能。 您的启动对话框应如下所示：
点击跑步。
您可以在下面看到非线性响应和回归诊断：
回复：概率分析和拟合检验我没有。
我一直在尝试使用 Probit 在广义线性中运行模型，但是，我的 LD 值与 Probit 插件提供的值不匹配，所以我不确定发生了什么。 我已经通读了拟合线性模型，但我尝试运行分析的是非线性的，老实说我在 JMP 中没有任何经验。
回复：概率分析和拟合检验您是否已联系该加载项的作者或先阅读了说明和说明？
JMP 有几个内置平台可以估算此类数量并提供拟合优度统计数据。 这些线索应该可以帮助您入门。
- 拟合曲线可以拟合常见的非线性函数。
- 非线性更通用，可以适合定制模型。
- 广义线性模型可以执行概率分析。
你搜索了吗概率还处于帮助或者帮助>图书>拟合线性模型？
