健康データのための最良の予測モデリングアプローチ皆さんこんにちは、
これは何よりも「スピットボール」なので、ここに行きます。 一言で言えば、私はサンゴ礁の診断テストを開発して、気候変動の結果としてどれが死ぬ可能性があり、どれが死なないかを知ることができるようにしようとしています。 実験室で行われた一連の実験から、弾力性がありストレスに敏感なサンゴに関連するタンパク質の特徴がわかったので、理論的には、海に出て新しいコロニーをサンプリングすることができるようになりました。先験的な知識がなく、彼らの健康について予測します。
分析的に、私はプロファイルしたタンパク質を使ってかなりの数のことを試しましたが、その大部分は同一線上にあります（標準的な回帰アプローチはあまり適していません）。 「健康な」サンゴと「ストレスのある」サンゴのデータセットに判別分析アプローチを使用すると、私が望む答えが得られるようです。 私は段階的な判別分析を試してみて、基本的に、健康状態によってサンプルを100％正しくソートするタンパク質の最小数を特定しようとしました。 私はこれを正しく解釈していますか？ 判別分析は、基本的に何らかの予測機能を備えたMANOVAのようです（ただし、この場合、11個のサンプルで272個のタンパク質が測定されているため、MANOVAは使用できません）。
今日、一般化された回帰に関するすばらしいJMPウェビナーを見たので、それをいじってみました。 Yを健康状態（二項：健康vs.ストレス）として設定し、272個のタンパク質をx変数として使用しました。 場合によっては、「最も有益な」タンパク質の最終セットはDCAに由来するものと類似していましたが、より多くなる傾向がありました（基本的に、サンゴの健康を正確に予測できるモデルを構築するために5つのタンパク質のオーダーを使用できます）。 もちろん、1つの問題は、私がすでに答えを知っているサンプルを使用していることです（つまり、サンゴが生きているか死んでいるか）。 したがって、私はそれを過剰適合させる危険があります。 判別分析は、文字通りデータを完全に適合させるだけのようであり、おそらくランダム性やノイズの余地を残していません。 一般化された回帰の検証列を作成したので、それは部分的に、過剰適合の可能性を減らすはずですよね？
そして、部分最小二乗法がありますが、OMICS（トランスクリプトームまたはプロテオーム）データセットでPLSを使用するたびに、R2は常に0.05〜0.07のように哀れなほど低くなります。 先週、一般化された回帰に関する非常に優れたウェビナーを見ました。プレゼンターは基本的にFormula Depotを使用して、いくつかのアプローチから派生したモデルをコンパイルしました。これにより、基本的にこの種の分析を行うことができました。 最後に、私の主な質問は、数百から数千の予測子を使用して二項（この場合は健康対病気）応答の予測モデルを作成しようとしている場合、これらの方法のいずれかが「ゴールド」と見なされるかどうかです。標準？" データは通常、非正規分布であることに言及する価値があるかもしれません。 このデータセットは非常に小さく、PCAをクリックすると、異常なサンプルを非常に簡単に区別できます。
Re：健康データのための最良の予測モデリングアプローチまた、心に留めておくべきことの1つは、全体的なアプローチです。これは、グローバルな問題に対する問題のように聞こえるので、2段階のアプローチがあります。
ステップ1：システムを特徴づけるための説明的モデリング。したがって、変数の識別/削減が長所であるモデリング方法を最初に検討する必要があります。
ステップ2：予測モデリングにより、将来または新しいサンゴシステムの健全性と将来の見通しについて説明します。 したがって、予測機能が最も望ましいモデル。
アプローチを差別化するのに役立つ素晴らしいウェビナーはここにあります：
https://www.jmp.com/en_us/events/ondemand/analytically-speaking/to-explain-or-predict-that-is-the-question.html
Re：健康データのための最良の予測モデリングアプローチあなたの提案とフィードバックをみんなに感謝します。 2010年に実施された1回の実験からの11のサンプルに基づいて野生のサンゴの運命を予測しようとすることは、控えめに言っても不安定であることを私は理解しています。 幸いなことに、私はさまざまな温度、塩分、光レベル、国、緯度などで収集されたさまざまなサンゴからの大量のフィールドデータを編集し、これらのデータを実験室の実験からのデータとマージして、ある種のサンゴをつなぎ合わせ始めたいと思っています。診断システム。 私は、通常の「健康な」範囲だけでなく、あなたの濃度を示す人間の血液バイオマーカーアプローチが好きです。 サンゴの健康的な範囲はまだわからないので、最初に解決する必要があるかもしれません。
この種の取り組みに最適なモデリングアプローチに関しては、基本的にさまざまなものすべてを調査しているので、「絶対にこのアプローチを使用する必要がありますが、まったく言及しなかった」とは誰も言わなかったと聞いてうれしいと思います。そこにオプション。 結局、私はおそらくアプローチを組み合わせて使用することになりますが、これらの一般化された回帰モデルは、過剰適合ではなく、モデルをそれほど複雑にしないことの間でバランスが取れているように見えるため、ますます興味を持っています。実用的なアプリケーションはありません。 繰り返しになりますが、これは、このアプローチの全体的な特性ではなく、私のデータセットにのみ当てはまる可能性があります。
いずれにせよ、JMPProでそのようなアルゴリズムとプラットフォームが非常に多く利用できることを嬉しく思います。 今は通常のJMPに戻れないと思います！
Re：健康データのための最良の予測モデリングアプローチわずかなフィードバックをお伝えします...あなたが答えようとしている質問の1つは、「私が実験室で行った研究には、「現実の世界」で結論を出す能力があるのでしょうか。 これはデータ分析では答えられないと思います。 私が提案するのは、2つのことに焦点を当てることです。
1.より良い応答変数を開発する（離散に対して）。 これは、いくつかの連続変数（たとえば、漂白剤のグラデーション、タンパク質xのパーセンテージなど）の形をとることがあります。または、連続応答を作成できない場合は、少なくとも順序応答を作成します。
2.サンプリング計画を設計します。 サンプリング計画は、仮説の関数として作成されます。 計画は、階層的（ネスト）、体系的、または交差する場合があります。これらは、さまざまな変動の原因を分離して割り当て、推論スペースを増やすことを目的としています。 したがって、サンゴ礁の劣化の原因に関心があるように思われるはずです。 仮説の関数として実際のサンゴ礁をサンプリングできます。 周囲の塩分が何らかの影響を及ぼしていると仮定するとします。 同じ塩分内から複数のサンプルを取得してから、塩分の量が異なる場所からサンプルを取得します。 あなたの仮説が周囲の汚染物質と関係があるとしましょう。 同じ考えのリンゴは、「等しい」汚染物質の領域内から複数のサンプルを採取し、汚染物質が異なる別の場所を選択します。 もちろん、これは実験計画法のアイデアで加速することができますが、実験は実験室ではなく現実の世界で実施する必要があります。 フィッシャーらを参照してください。 al。
Re：健康データのための最良の予測モデリングアプローチ@abmayfield ：「...主な質問...」に戻り、「ゴールドスタンダード」のモデリング方法論に戻ります。 IMOの「ゴールドスタンダード」の概念を指定することは不可能です。 私が少し哲学的に理解できれば、非常に多くのモデリング手法が「そこにある」理由があります。 モデリング手法の成長と急増を振り返ると、すべての種類の問題とデータに最適な手法が1つではないことが原因です。 ですから、私が常に実践者に説教したアイデアは、あなたの問題とデータのために彼らをたくさん試してから、どれが「最もよく」機能するかを確認することです。 バイナリカテゴリカル応答の場合、いくつかの重要なモデル診断方法は、誤分類率、ROC曲線などです。 JMP Proのフォーミュラデポおよびモデル比較プラットフォームは、比較のビジネスを効率的にすることができます。
Re：健康データのための最良の予測モデリングアプローチこれを見てくれてありがとう。 私は実際の生物学的質問について意図的に曖昧だったので、それを拡張することで私の質問とニーズがより明確になるかもしれません。 どのサンゴが白化するか（シンビオントが失われたために白くなり、後で死ぬプロセス）を予測したいと思います。 基本的に、私は白化の前の数日から数週間のサンゴの分子生物学を監視して、バイオマーカーの濃度と白化の可能性を関連付けることができました。 基本的に、さまざまな多変量プラットフォームは、候補バイオマーカーの選択（つまり、白化しやすいサンゴと白化しにくいサンゴを最もよく区別するタンパク質）に関して同様の結果をもたらします。 しかし、私が疑問に思うのは、まだサンプリングされていないサンゴでそれらをテストしたときに、これらの結果が現実の世界で何らかの予測値を持つかどうかです。 明らかにある程度の柔軟性を備えたモデルが必要です。私が試したアプローチのいくつかは、それ自体が予測モデリングアプローチではなく、説明的であると思います。その場合、データの100％に適合し、したがって過剰適合しがちです。 。 たぶん、これは11個のサンゴと272個の特徴しかないことの証拠です。つまり、結果として得られるモデルは本質的に過剰適合になります。
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/using-jmp-pro-to-build-generalized-regression-models.htmlこのウェビナーは、人間とは異なりますが、同様のことを達成しようとしています（バイオマーカーの署名から糖尿病になる可能性を関連付けます）。 ただし、この場合、Yは連続変数であるため、前述のように、0から10までの連続体に沿ってサンゴをランク付けする方法を理解する必要があるかもしれません。
Re：健康データのための最良の予測モデリングアプローチ私はあなたの問題をはっきりと理解していないので、このコメントは役に立たないかもしれません。あなたが本当に800以上の特徴と11の観察を持っているならば、私は何も結論付けることができるとは想像できません。健康な観察と不健康な観察を区別するのは難しいことではありません（文字通り、ほとんど意味のないモデルですが、これらの機能のほとんどすべてのセットでこれを行うことができるはずです）。さらに重要なことに、私はあなたの二分応答変数についてまったくわかりません。サンゴ礁は本当に健康なのか、それとも不健康なのか、グラデーションはありませんか？通常、このような健康調査では、これを打ち切りデータとして扱います。観察はある時点で行われ、その時点で不健康な標本が観察される可能性がありますが、これまでのところ、健康な標本は健康であると見なされる必要があります（悪い結果は連続応答変数であり、データは打ち切られます）。それとも、サンゴ礁が健康または不健康であると明確に宣言できるときにのみ観察を行うことを提案していますか？
