Schwierige Datenverteilung: Angemessene Analysemethode und / oder Transformation?Hallo JMP-Community,
Ich muss die Beziehung zwischen Biomarkerspiegeln (normalverteilt) und einem klinischen Endpunkt analysieren, der stark auf 0 verzerrt ist, wobei relativ wenige Punkte von 0 abweichen (siehe unten).
Wenn ich diese klinischen Daten als kontinuierliche Variable in der Fit Model-Plattform verwende, werden meine Residuen im Wesentlichen nicht normal verteilt.
Ich habe eine offensichtliche Transformation versucht (z. B. Kubikwurzel), aber das löst mein Problem nicht
Was wäre die geeignete Transformation und / oder Methode, mit der ich diese Daten analysieren könnte?
Danke für deine Hilfe.
TS
Betreff: Schwierige Datenverteilung: Angemessene Analysemethode und / oder Transformation?Mithilfe der Distributionsplattform können Sie möglicherweise herausfinden, über welche Verteilung Sie verfügen und wie Sie die Daten transformieren können. Gehen Sie in der Distributionsplattform zum roten Dreieck und wählen Sie
Kontinuierliche Anpassung ==> Alle
JMP ermittelt, welche Distribution am besten zu Ihren Daten passt, und stellt Ihnen, wenn möglich, eine Transformation zur Verfügung.
Betreff: Schwierige Datenverteilung: Angemessene Analysemethode und / oder Transformation?Ich kann es Ihrer Beschreibung nicht entnehmen, aber es sieht so aus, als hätten die meisten Beobachtungen 0 als klinischen Faktor, den Sie zu erklären versuchen. Wenn es tatsächlich 0 ist, scheinen die meisten Menschen dieses klinische Ergebnis überhaupt nicht zu haben, während relativ kleine Zahlen positive und negative Ergebnisse (in unterschiedlichem Ausmaß) haben. In diesem Fall können Sie versuchen, die Antwortvariable in eine Nominalvariable zu ändern, die entweder ein negatives, ein positives oder ein Null-Ergebnis anzeigt. Wenn der Fokus auf der Größe dieser Abweichungen von Null liegt, können Sie (wenn Sie über viele Daten verfügen) einen zweistufigen Prozess ausführen: Zuerst die negative, positive und positive Kategorie vorhersagen und dann ein Ergebnis ungleich Null voraussetzen um die Größe der Diskrepanz vorherzusagen (wenn Sie absolute Werte für die Diskrepanz verwenden, können Sie eine Protokolltransformation verwenden).
In jedem Fall wäre ein zusätzlicher Kontext über die Art der klinischen Variablen hilfreich, um Ideen zu erbitten.
Betreff: Schwierige Datenverteilung: Angemessene Analysemethode und / oder Transformation?Mir ist nicht klar, ob die Daten normal verteilt werden müssen. Die Antwort sollte normalverteilt sein, abhängig vom linearen Prädiktor. Wir bewerten diese Annahme normalerweise unter anderem, indem wir den Plot der Residuen gegen die vorhergesagte Antwort untersuchen. Was zeigt die Restkurve?
Außerdem ist die Restkurve bei Bedarf ein besserer Leitfaden für eine Transformation.
Schließlich bietet Fit Least Squares einen Befehl zum Ausführen der Box-Cox-Transformation für die Antwort. Es ist eine verallgemeinerte Potenzfunktion, die normalerweise erfolgreich ist.
Betreff: Schwierige Datenverteilung: Angemessene Analysemethode und / oder Transformation?Danke für deinen Vorschlag. Wie Sie richtig erraten haben, bestehen die Daten aus einer Mehrheit von echten 0-Werten plus einer Minderheit von Werten, die von 0 abweichen.
Freundliche Grüße,
TSBetreff: Schwierige Datenverteilung: Geeignete Analysemethode und/oder Transformation?Lieber Mark,
Danke für deine Rückmeldung. Wie ich in meinem ersten Beitrag erwähnt habe, war das vom Fit Least Square erzeugte Residuum eindeutig nicht normalverteilt, mit einer Verteilung ähnlich der der Daten, die ich zuvor gezeigt habe.
Bemerkenswert ist, dass ich versucht habe, die Box-Cox-Transformation anzuwenden, aber sie kann aufgrund von 0 und negativen Werten nicht als solche durchgeführt werden.
Freundliche Grüße,
TS
