Difícil distribución de datos: ¿Método de análisis apropiado y / o transformación?Hola comunidad JMP,
Necesito analizar la relación entre los niveles de biomarcadores (normalmente distribuidos) y un punto final clínico que tiene un alto sesgo hacia 0, con unos puntos relativamente alejados de 0 (ver más abajo).
Esencialmente, si uso estos datos clínicos como una variable continua en la plataforma Fit Model, mis residuos no se distribuyen normalmente.
He intentado alguna transformación obvia (por ejemplo, raíz cúbica) pero eso no resuelve mi problema
¿Cuál sería la transformación adecuada y / o el método que podría usar para analizar estos datos?
Gracias por tu ayuda.
TS
Re: Difícil Distribución de datos: ¿Método de análisis apropiado y / o transformación?La plataforma de distribución podría ayudarlo a determinar qué distribución tiene y cómo transformar los datos. En la plataforma de distribución, vaya a la barra roja y seleccione
Ajuste continuo ==> Todos
JMP determinará qué distribución se ajusta mejor a sus datos y, si es posible, le proporcionará una transformación.
Re: Difícil Distribución de datos: ¿Método de análisis apropiado y / o transformación?No puedo decir de su descripción, pero parece que la mayoría de las observaciones tienen 0 como el factor clínico que está tratando de explicar. En realidad es 0, entonces parece que la mayoría de las personas no tienen este resultado clínico, mientras que un número relativamente pequeño tiene resultados positivos y negativos (en diversos grados). Si ese es el caso, puede intentar cambiar la variable de respuesta a una variable nominal que indique un resultado negativo, positivo o cero. Si el enfoque está en el tamaño de estas desviaciones desde cero, entonces puede (si tiene muchos datos) probar un proceso de dos pasos: primero predecir la categoría negativa, 0, positiva y, luego, condicional a un resultado distinto de cero, intente para predecir el tamaño de la discrepancia (si usa valores absolutos para la discrepancia, podría usar una transformación de registro).
En cualquier caso, algún contexto adicional sobre la naturaleza de la variable clínica sería útil para solicitar ideas.
Re: Difícil Distribución de datos: ¿Método de análisis apropiado y / o transformación?No tengo claro el requisito de que los datos se distribuyan normalmente. La respuesta se debe distribuir normalmente condicionada al predictor lineal. Por lo general, evaluamos este supuesto, entre otros, mediante el examen de la gráfica de los residuos frente a la respuesta prevista. ¿Qué muestra la trama residual?
Además, la trama residual es una mejor guía hacia una transformación, si es necesario.
Finalmente, Fit Least Squares proporciona un comando para realizar la transformación de Box-Cox en la respuesta. Es una función de potencia generalizada que suele tener éxito.
Re: Difícil Distribución de datos: ¿Método de análisis apropiado y / o transformación?Gracias por su sugerencia. Como ha adivinado correctamente, los datos se componen de una mayoría de valores 0 verdaderos más una minoría de valores fuera de 0.
Atentamente,
TSRe: Difícil distribución de datos: ¿Método de análisis apropiado y / o transformación?Querida marca,
Gracias por tus comentarios. Como mencioné en mi publicación inicial, el residuo producido por Fit Least Square claramente no estaba distribuido normalmente, con una distribución similar a la de los datos que mostré anteriormente.
Es de destacar que intenté aplicar la Transformación de Box-Cox pero no se puede realizar como tal debido a 0 y valores negativos.
Atentamente,
TS
