Risposta DOE per massimizzare il cambiamento tra la variabile categorica "negativa" e "positiva"Sono nuovo di jmp e sto cercando di ottimizzare un test biochimico. Ho più variabili categoriche e continue per cercare di ottimizzare il buffer che sto usando. Quindi voglio aggiungere il "target" come variabile (e quindi avere un valore positivo o negativo per questa variabile). Senza questo "obiettivo" voglio minimizzare la risposta, con esso voglio massimizzare la risposta (e nel complesso voglio massimizzare il cambio di piega).
Prima stavo facendo questo generando le condizioni senza questa variabile "target" e quindi manipolando il progetto sperimentale duplicando le corse e avendo una colonna aggiuntiva. Tuttavia, questo diventa difficile quando provo ad analizzare i dati perché sento che sto perdendo informazioni se ottengo la media del "negativo" e la sottraggo dalla media del "positivo". Speravo in qualche consiglio su come specificare la risposta che desidero.
Ri: DOE Risposta per massimizzare il cambiamento tra la variabile categoriale "negativa" e "positiva"Suppongo che eseguirai una curva standard per ciascuno dei trattamenti nel DOE. Quindi, sarai in grado di adattare una curva dose-risposta, come un 4PLC. È possibile utilizzare più di una risposta. Potresti massimizzare l'asintoto superiore, minimizzare l'asintoto inferiore. e quindi indirizzare gli altri parametri per ottenere la gamma dinamica desiderata per ottenere la sensibilità e la specificità di cui hai bisogno.
Hai una misurazione quantitativa per la risposta? Hai solo uno stato negativo e positivo dei campioni?
Potrei essere molto lontano ...
Ri: DOE Risposta per massimizzare il cambiamento tra la variabile categoriale "negativa" e "positiva"Grazie @markbailey per i suggerimenti.
In termini di curva standard, sì, eseguirò reazioni di controllo separate con una quantità impostata di un reagente noto che ha la stessa risposta. Quindi posso quindi convertire tutti i valori in unità x del reagente noto.
Posso usare più di una risposta, ma non sono sicuro di come massimizzare quelli con il "target" e minimizzare quelli senza.
Sì, avrò un output quantitativo (fluorescenza in questo caso) e a questo punto posso anche titolare il target, ma penso che ciò potrebbe complicare la situazione (poiché idealmente sto solo massimizzando la differenza tra positivo e negativo).
Per cercare di allontanarmi dall'essere veramente vago, forse aiuterà a spiegare il mio saggio. Sto sviluppando un test diagnostico per una particolare malattia. Sto ottimizzando il buffer che sto usando in modo che quando un campione di paziente sia "positivo", sia facilmente distinguibile da un campione di paziente "negativo". Il mio progetto attuale è un design personalizzato con interazioni standard, nonché RSM. Sto eseguendo le mie reazioni in triplice copia. Sto prendendo in considerazione l'uso di "positivo" o "negativo" come variabile extra categoriale perché nel mio approccio attuale generi le corse senza "positivo" e "negativo" (e lo aggiungo come colonna aggiuntiva in seguito), ma alla fine ho per aggregare le mie corse triplicate "positive" e sottrarre la media delle corse "negative". Questo non sembra il modo migliore per farlo (perdo informazioni sulle deviazioni standard ecc.) E preferirei avere i dati originali che jmp avrebbe usato per creare il modello di ottimizzazione.
Devo solo trovare un buon modo per specificare la risposta ottimale o un modo per specificare qual è il più desiderabile in questo caso d'uso specifico.
Ri: DOE Risposta per massimizzare il cambiamento tra la variabile categoriale "negativa" e "positiva"Le curve standard e i campioni di controllo sono per il controllo di qualità, non fanno parte dell'ottimizzazione effettiva, giusto?
Volete alta sensibilità e specificità. Tale prestazione verrà da uno sfondo basso (asintoto inferiore) e da una piccola deviazione standard (campione vuoto). Il buffer di esempio influirà su questi parametri. Gli altri parametri nel modello logistico possono essere usati allo stesso modo come risposte. Il punto di flesso dovrebbe essere ridotto al minimo in modo da essere più sensibile (più segnale a concentrazioni più basse). Il parametro di pendenza o potenza deve essere massimizzato in modo da ottenere più segnale con un aumento minore dell'analita.
Titolare l'obiettivo potrebbe non essere l'approccio più semplice, ma l'altro è "scegliere il vincitore", non l'ottimizzazione. La tua diagnosi è binaria ma il tuo dosaggio è quantitativo. Otterrai la massima sensibilità e specificità concentrandoti sulle caratteristiche quantitative. È quindi possibile scambiare la sensibilità e la specificità del dosaggio ottimizzato con la curva ROC da un modello di regressione logistica di tipo campione (neg / pos) rispetto alla concentrazione dell'analita.
