Diffusion difficile des données: méthode d'analyse appropriée et / ou transformation?Bonjour la communauté JMP,
J'ai besoin d'analyser la relation entre les niveaux de biomarqueurs (normalement distribués) et un point final clinique fortement biaisé vers 0 avec un nombre de points relativement faible par rapport à 0 (voir ci-dessous).
Essentiellement, si j'utilise ces données cliniques en tant que variable continue dans la plateforme Fit Model, mes résidus ne sont pas distribués normalement.
J'ai essayé une transformation évidente (par exemple, la racine du cube) mais cela ne résout pas mon problème
Quelle serait la transformation appropriée et / ou la méthode que je pourrais utiliser pour analyser ces données?
Merci de votre aide.
TS
Re: Diffusion difficile des données: Méthode d'analyse appropriée et / ou transformation?La plate-forme de distribution pourra peut-être vous aider à déterminer votre distribution et à transformer les données. Dans la plate-forme de distribution, accédez à l’angle rouge et sélectionnez
Continuous Fit ==> Tous
JMP déterminera la distribution qui correspond le mieux à vos données et, si possible, vous fournira une transformation.
Re: Diffusion difficile des données: Méthode d'analyse appropriée et / ou transformation?Je ne peux pas le dire d'après votre description, mais il semble que la plupart des observations aient 0 comme facteur clinique que vous essayez d'expliquer. En fait, c'est 0, alors il semble que la plupart des gens n'ont pas du tout ce résultat clinique, alors que des nombres relativement faibles ont des résultats positifs et négatifs (à des degrés divers). Si tel est le cas, vous pouvez essayer de remplacer la variable de réponse par une variable nominale indiquant un résultat négatif, positif ou nul. Si l’accent est mis sur la taille de ces écarts par rapport à zéro, vous pouvez (si vous avez beaucoup de données) essayer un processus en deux étapes: prédire d’abord la catégorie négative, 0, positive, puis conditionnée à un résultat différent de zéro, essayez: pour prédire la taille de la différence (si vous utilisez des valeurs absolues pour la différence, vous pouvez utiliser une transformation de journal).
Dans tous les cas, un contexte supplémentaire sur la nature de la variable clinique serait utile pour solliciter des idées.
Re: Diffusion difficile des données: Méthode d'analyse appropriée et / ou transformation?Je ne suis pas clair sur l'exigence que les données soient distribuées normalement. La réponse doit être normalement distribuée, conditionnée par le prédicteur linéaire. Nous évaluons généralement cette hypothèse, entre autres, en examinant la représentation graphique des résidus par rapport à la réponse prévue. Que montre l'intrigue résiduelle?
En outre, le graphique résiduel est un meilleur guide pour une transformation, si nécessaire.
Enfin, l'option Ajuster les moindres carrés fournit une commande permettant d'exécuter la transformation Box-Cox sur la réponse. C'est une fonction de pouvoir généralisée qui réussit généralement.
Re: Diffusion difficile des données: Méthode d'analyse appropriée et / ou transformation?Merci pour votre suggestion. Comme vous l'avez bien compris, les données sont composées d'une majorité de vraies valeurs 0 et d'une minorité de valeurs différentes de 0.
Meilleures salutations,
TSRe : Difficile Distribution de Données : Méthode d'Analyse et/ou Transformation Appropriée ?Cher Mark,
Merci pour votre avis. Comme je l'ai mentionné dans mon message initial, le résidu produit par le Fit Least Square n'était clairement pas distribué normalement, avec une distribution similaire à celle des données que j'ai montrées plus tôt.
Il est à noter que j'ai essayé d'appliquer la transformation de Box-Cox mais elle ne peut pas être effectuée en tant que telle en raison de valeurs 0 et négatives.
Meilleures salutations,
ST
