Due rette di regressione sono equivalenti? ANCOVA contro Fit Line.Ho un set di dati in cui sono state raccolte 2 variabili di risposta (JO2 e dPsi) in 5 diversi stati energetici (dGATP) per soggetti che seguono due diete diverse (PM o SR; variabile di raggruppamento).Ho utilizzato la piattaforma Fit Model per tracciare i dati dei singoli soggetti e confrontare se un modello lineare o quadratico sarebbe ottimale.L'AIC era inferiore per il modello lineare sia per i dati individuali che per quelli raggruppati e la mia domanda successiva è "le linee di regressione per i gruppi sono diverse?".Ho utilizzato i risultati del test di equivalenza in Linear Fit per vedere se la pendenza o l'intercetta si trovano al di fuori dei limiti di decisione e lo fanno entrambe, ma quando eseguo i confronti dei parametri solo l'intercetta y per SR appare al di fuori dei limiti di decisione.
Sono ulteriormente confuso dai risultati ANCOVA (che pensavo sarebbero stati equivalenti al Modello Fit - Lineare) mostrano sia un'interazione significativa (pendenze diverse) sia che le intercetta y sono diverse indicando che dovrei rifiutare l'ipotesi nulla che le curve siano pari.
1. Quindi un approccio è migliore dell’altro?
2. Qualche idea sul perché i due approcci (o almeno le stime dei parametri in cui le pendenze sono entrambe entro i limiti decisionali) non sono d'accordo con l'ANCOVA?
3. Infine, se non avessi esaurito tutta la buona volontà, il mio approccio al test della non equivalenza sarebbe diverso se un modello non lineare fosse la soluzione migliore per i dati?
Grazie per qualsiasi consiglio
Re: Due linee di regressione sono equivalenti? ANCOVA contro Fit Line.Ho alcune domande di follow-up molto ingenue all'analisi di cui sopra riguardo a come gestire le repliche biologiche nell'esempio di modellazione di cui sopra.Ho 6 repliche biologiche per la condizione PM e 5 per la condizione SR, quindi ho 6 diverse linee di regressione per PM e 5 diverse linee di regressione per SR. Entrambe le variabili Y dipendenti (JO2 e dPsi) sono state raccolte a 5 dGATP fissi per ciascuna replica biologica.
1. Quando si adatta il modello lineare ai miei dati nell'ANCOVA, sembra che le repliche biologiche vengano ignorate e le linee di regressione vengano calcolate sulla base dei dati aggregati del gruppo.Quella regressione aggregata è rappresentativa di tutte le regressioni individuali o dovrei modellarla in modo diverso per riconoscere le repliche biologiche?
2. Non ho il dGATP nel modello perché lo considero come una dose/risposta.È corretto ignorare gli effetti del dGATP poiché la metrica chiave è la relazione tra le 2 variabili dipendenti (JO2 e dPsi)?Ci sarebbe un valore aggiunto nell'averlo nel modello e, in caso affermativo, come lo aggiungerei al modello?
3. Ho questo vago ricordo che nella regressione lineare viene considerato solo il termine di errore Y, tuttavia in questa analisi penso di essere costretto a scegliere una delle mie 2 variabili Y come predittore e l'altra come risposta.Questa scelta potrebbe incidere sulle conclusioni successive?Esiste un modo logico per fare questa scelta quando in sostanza stai fornendo 2 variabili dipendenti.
4. La regressione lineare che ignora l'errore nella variabile X (per la quale ho sostituito una delle mie variabili Y, in questo caso) è errata da usare.Dovrei utilizzare una regressione di tipo Deming che consenta errori in entrambe le variabili?
Grazie per qualsiasi ulteriore aiuto mentre cerco di comprendere queste sfumature dei biostati.Eventuali riferimenti sarebbero apprezzati anche se fosse più semplice che decifrare le mie domande!
Re: Due linee di regressione sono equivalenti? ANCOVA contro Fit Line.Grazie Dan per questa risposta ponderata. Apprezzo la tua intuizione!
Re: Due linee di regressione sono equivalenti? ANCOVA contro Fit Line.Proverò prima a rispondere alla tua seconda domanda. I risultati non concordano perché qui sono in corso diversi tipi di test.
Innanzitutto limiterò i miei commenti alla curva di adattamento con dati non raggruppati in quanto ciò imiterà l'analisi utilizzata con il modello di adattamento.
Il test di equivalenza nel menu a comparsa rosso Adatta curva confronterà la stima dei parametri per un gruppo con l'altro. Quindi, per il tuo scenario ha confrontato l'intercetta e la pendenza del gruppo SR con l'intercetta e la pendenza del gruppo PM. lo fa utilizzando un rapporto tra le stime dei parametri (quindi stai "combinando" le varianze delle due stime formando un'unica statistica). Gli intervalli di confidenza sono formati utilizzando una confidenza del 95% (valore predefinito), ma i limiti decisionali riguardano una modifica del 25%. Tieni presente che una modifica del 25% specifica l'entità dell'effetto che stai cercando. Se i parametri differiscono del 10%, gli intervalli di confidenza coprirebbero l'area ombreggiata perché l'area ombreggiata afferma che devono essere diversi almeno del 25%.
Il report Confronto parametri in Adatta curva esegue un tipo di test ANOM (Analisi delle medie). Il test confronta le stime dei parametri con la media complessiva di tutte le stime dei parametri. Si cerca di dire se esiste un gruppo (o gruppi) diverso dalla media generale. Per i tuoi dati, sia le stime della pendenza SR che quelle PM rientrano nei limiti decisionali, indicando che non possiamo affermare che la stima dei parametri sia diversa dalla media complessiva. Non importa se si tratta di una differenza del 10% o del 50%, è semplicemente diverso.
Nell'approccio ANCOVA, considerando il significato del termine di interazione, si confrontano direttamente le pendenze tra loro. Una differenza significativa (che hai) è affermare che la pendenza SR è diversa dalla pendenza PM. NON è paragonabile alla media complessiva. Anche in questo caso, l’entità della differenza non è rilevante. Anche una differenza del 10% potrebbe essere considerata significativa.
Questo è il motivo per cui i tuoi risultati non necessariamente coincidono. Questi rapporti sono leggermente diversi.
Un approccio è migliore di un altro? No, perché hanno interpretazioni diverse. Non stanno testando le stesse cose.
Se stai testando un modello non lineare, non avrai la possibilità di utilizzare ANCOVA. L'approccio Fit Curve dovrebbe funzionare bene per quello scenario. La scelta del test di equivalenza o dell'opzione Confronta stime dei parametri dipenderà da ciò che speri di vedere e apprendere.
Spero che aiuti.
