Logistic 3 参数 (L3P) 模型的使用你好，
我们正在查看一些代表扩增的生物数据，我们正在使用 JMP 来拟合 L3P 模型
- 从而获得所产生的 S 形曲线上的增长率、渐近线和拐点。
然后，我们在方差分析测试中专门使用增长率参数来检测曲线（即生物测试）是否受到挑战的不利影响，预计不利的挑战会导致我们拒绝原假设。
我遇到的问题是，挑战越不利，出现任何一种情况的可能性就越大部分或全部检测不起作用（未生成曲线）。
发生这种情况时，我无法获取在方差分析中使用的 3 个参数，因此在如何处理这些信息丰富的数据上有些困惑。
该模式（随着挑战的增加）是模型曲线的变异性增加（朝向平坦线），然后随着挑战的严重性，失败的扩增（实际平坦线）的数量增加 - 最终导致所有重复实际上平坦线并且没有曲线适合是可能的。
谢谢您的帮助。
回复：Logistic 3 参数 (L3P) 模型的使用非常感谢 - 这几乎完全一样:)我们目前正在做的事情（GLM 个性-二项式分布-Probit 链接），当我们检查我们生成的数据时，仅确定测定是否有效。
除了检测是否有效之外，我们不会关注任何参数。
我们希望能够进行更具辨别力的分析。
当我们提高挑战水平时，我们正在努力使用一种方法来评估测定的降解情况（虽然可能会发生失败，但不会明确失败）。
所以——我们经常获得这种形式的数据：
挑战单位 - 成功的曲线拟合 - 不成功的曲线拟合*
-------1-----------------16---------------------00- ----
-------2------------------16---------------------00 -----
-------3------------------16---------------------00 -----
-------4------------------16---------------------00 -----
-------5------------------16---------------------00 -----
-------6------------------16---------------------00 -----
-------7------------------16---------------------00- ----
如果我们将 Log 3 参数模型拟合到上述 16 个重复 x 7 条件中的每条 S 形曲线 - 我们发现随着挑战从 1 增加到 7 - 增长率会下降，上渐近线也会下降（即 L3P 模型生成的 3 个参数中的 2 个）。
因此，只要检测有效并且模型拟合是可能的，随着挑战的增加，我们看到拐点没有变化，上渐近线减少，增长率下降），这很好。
当我们处于这两种统计技术之间时，我们所有的问题都会出现；我的意思是当零星（或更多）故障例如
挑战单位 - 成功的曲线拟合 - 不成功的曲线拟合*
-------1-----------------16---------------------00- ----
-------2------------------16---------------------00 -----
-------3------------------15--------------------- 01 -----
-------4------------------16---------------------00 -----
-------5------------------15--------------------- 01 -----
-------6------------------15--------------------- 01 -----
-------7------------------14--------------------- 02 -----
发生 - 因为在这几个（即上表中的五个）测定中无法生成 Log 3 P 模型。
我一直想知道我们是否可以使用基线值（即接近于零）作为上渐近线，使用 0 作为增长率，使用“缺失数据”作为故障情况下的拐点，即在这 5 种情况下 - 这样我们会有数据可以在失败的测定中继续使用，用于类似 (m)ANOVA 的挑战严重程度之间差异的测试。
一方面，这样做感觉像是一个积极的举动，因为没有数据被丢弃，但是我不确定我是否通过将失败的测定值分配为零而违反了正态性规则（（m）ANOVA 类测试中所需的）然后使用它们。 尽管我们有时确实获得了对失败反应（较差的 R2 值）的 L3P 拟合，但返回的 3P 值没有意义，通常是极端异常值，因此如果我们要使用它们来追求组测试之间的差异，则必须将其删除。
回复：Logistic 3 参数 (L3P) 模型的使用您可以使用概率模型分析这样的表（挑战、失败次数、测试总数 - 16）。
选择分析>适合模型。 选择两个失败和测试数据列并单击是。 （请务必按顺序输入它们。）选择挑战数据列并单击添加。点击标准最小二乘法并选择广义线性模型。 选择二项式分布和普罗比特链接功能。
点击跑步。
您可以扩展此分析以包括实验。
添加实验作为两个效应：主效应和交叉效应挑战。
估计值可用于测试效果的显着性，模型可用于预测。
这里的实验示例可能是另一个分类或连续因素。 概率模型中可能存在多个因素。
回复：Logistic 3 参数 (L3P) 模型的使用因此，我们可能观察到的数据可能如下所示（用 16 个重复进行说明）：
挑战单位 - 成功的曲线拟合 - 不成功的曲线拟合*
-------1-----------------16---------------------00 -----
-------2------------------15---------------------01 -----
-------3------------------12---------------------04 -----
-------4------------------08---------------------08- ----
-------5------------------04---------------------12- ----
-------6------------------02---------------------14- ----
-------7------------------00---------------------16- ----
然而下一个实验可能看起来像：
挑战单位 - 成功的曲线拟合 - 不成功的曲线拟合*
-------1-----------------16---------------------00- ----
-------2------------------16---------------------00 -----
-------3------------------15---------------------01 -----
-------4------------------16---------------------00 -----
-------5------------------15---------------------01 -----
-------6------------------15---------------------01 -----
-------7------------------14---------------------02- ----
* 无反应发生
所以 - 第一个实验感觉好像它适合于二元结果，第二个实验适合定量结果（通过渐近线/增长率评估挑战，S形曲线的变异性增加） - 然而，我需要以某种方式将两者结合在一起一项测试。
回复：Logistic 3 参数 (L3P) 模型的使用嗨，
非常感谢您的回复，我想我明白了。
问题是我们需要测试该检测是否失败，因此我们的数据范围是在所有情况下（几乎没有挑战）在一端完美叠加的复制 S 形曲线
- 通过（在另一端）- 完美叠加复制扁平线。
在这两个极端之间，重复样本中的零星故障不断增加。
我在想，如果我将所有重复（按挑战）分组在一起生成一条曲线 - 那么只要我们至少有一条成功的 S 形曲线，我们就能够获得每个挑战的 3 个参数即能够执行有效的曲线拟合。
但随后出现的问题是，不是每个重复中都有增长率、拐点和渐近线的值，而是所有重复只有 1 个值，而且我不太确定如何取这个值直到 t 检验、(M)ANOVA 和等价检验，因为执行此类分析需要的是实际的重复值本身。
我的下一个想法是使用 JMP 在该单一“汇总”S 形曲线上提供的平均值、SE 和置信区间的汇总数据，并尝试从数据汇总表中执行方差分析，即通过简单地将平均值和 SE 从“按组”L3P 适合并尝试此过程（您已经好心提供）：
https://community.jmp.com/t5/JMP-Scripts/ANOVA-from-Data-Summary/ta-p/21487
让我有点担心的是，这种“平线”数据与实际 S 形曲线数据的分组形式是否会使某些基本假设无效，即会改变曲线的性质。 拐点在我们的曲线拟合练习中是一个常数，因此我想知道这种“按组”方法是否会将拐点改变为远离我们预期的位置。
衷心感谢您的帮助！
谢谢。 C。
回复：Logistic 3 参数 (L3P) 模型的使用你的持续因素是挑战。 也许您的因素范围过于激进并导致无响应。 实验的重点是对数据进行建模并测试参数估计。 您可以将因子范围调低吗？ 例如，如果挑战是 50-100，尝试 25-75？ 这样您就可以为您的模型获得更多可用的数据。
