健康数据的最佳预测建模方法大家好，
这比什么都更“吐球”，所以就这样吧。 简而言之，我正在尝试开发一种珊瑚礁诊断测试，以便我们知道哪些可能会因气候变化而死亡，哪些不会。 通过在实验室进行的一系列实验，我现在知道了与弹性和压力敏感珊瑚相关的蛋白质特征，因此，理论上，我现在可能有能力进入海洋，对我没有的新殖民地进行采样对他们的健康没有任何先验知识，并对他们的健康做出预测。
从分析上讲，我已经用我分析过的蛋白质尝试了很多东西，其中很大一部分是共线的（使得标准回归方法不太适合）。 似乎对“健康”与“压力”珊瑚数据集使用判别分析方法可以给我想要的答案。 我玩弄了逐步判别分析，基本上试图确定可以 100% 正确按健康状况对样本进行分类的蛋白质的最小数量。 我是否正确解释了这一点？ 似乎判别分析基本上是具有某种预测功能的 MANOVA（尽管在这种情况下不能使用 MANOVA，因为我仅在 11 个样本中测量了 272 种蛋白质）。
今天我看到了一个关于广义回归的很棒的 JMP 网络研讨会，所以我玩了一下。 我将 Y 设置为健康状态（二项式：健康与压力）并将 272 种蛋白质用作 x 变量。 在某些情况下，最后一组“信息量最大”的蛋白质与来自 DCA 的蛋白质相似，但往往更多（大约五种蛋白质基本上可以用来建立一个可以准确预测珊瑚健康的模型）。 当然，一个问题是我正在使用我已经知道答案的样本（即珊瑚是生是死）。 因此，我冒着过拟合的风险。 判别分析似乎只是完全拟合数据，可能不会为随机性或噪声留下任何回旋余地。 由于我为广义回归创建了一个验证列，这应该在一定程度上减少过度拟合的可能性，对吧？
然后是偏最小二乘，但每次我将 PLS 与 OMICS（转录组或蛋白质组）数据集一起使用时，R2 总是低得可怜，比如 0.05-0.07。 上周我看到了一个非常棒的关于广义回归的网络研讨会，演讲者基本上使用 Formula Depot 来编译从多种方法派生的模型，这基本上给了我进行这种分析的想法。 我想，最后，我的主要问题是，当您尝试为具有数百到数千个预测变量的二项式（在这种情况下是健康与生病）响应建立预测模型时，这些方法中的任何一种都被认为是“黄金”吗？标准？” 值得一提的是，数据通常是非正态分布的。 这个数据集非常小，如果点击 PCA，很容易区分不健康的样本。
回复：健康数据的最佳预测建模方法还要记住的一件事是你的整体方法，因为这听起来真的很适合你的全球问题，有一个两步的方法，
第 1 步：解释性建模以尝试和表征系统，因此应首先研究其优势是变量识别/减少的建模方法。
第 2 步：预测模型，对未来或新珊瑚系统的健康状况及其未来前景做出陈述。 因此，最需要预测能力的模型。
一个很好的网络研讨会有助于区分这些方法：
https://www.jmp.com/en_us/events/ondemand/analytically-speaking/to-explain-or-predict-that-is-the-question.html
回复：健康数据的最佳预测建模方法感谢大家的建议和反馈。 我确实意识到，至少可以说，根据 2010 年进行的一次实验中的 11 个样本来预测野外珊瑚的命运是危险的！ 幸运的是，我已经收集了在不同温度、盐度、光照水平、国家、纬度等条件下收集的不同珊瑚的大量现场数据，并希望将这些数据与实验室实验中的数据合并，开始拼凑某种珊瑚诊断系统。 我喜欢人类血液生物标志物方法，它们可以显示您的浓度以及正常的“健康”范围。 我们还不知道珊瑚的健康范围是多少，所以这可能是需要首先解决的问题。
就此类努力的最佳建模方法而言，我想我很高兴听到没有人说“您绝对应该使用这种方法，而您完全忽略了提及”，因为我基本上一直在调查所有各种选项在那里。 最后，我可能最终会使用多种方法，尽管我对这些广义回归模型越来越感兴趣，因为它们似乎在不过度拟合但不使模型如此复杂之间取得了很好的平衡不会有任何实际应用。 再说一次，这可能只是我的数据集的情况，而不是这种方法的整体属性！
无论如何，我很高兴 JMP Pro 中有这么多这样的算法和平台。 我认为我现在再也无法回到常规的 JMP 了！
回复：健康数据的最佳预测建模方法我将给出我微薄的反馈……在我看来，您试图回答的问题之一是：“我在实验室环境中进行的研究是否有能力在“现实世界”中得出结论？ 我认为这不能通过数据分析来回答。 我的建议是你专注于两件事：
1. 开发更好的响应变量（相对于离散变量）。 这可能采用一些连续变量的形式（例如，漂白剂的等级、蛋白质 x 的百分比等），或者如果您无法创建连续响应，至少创建一个有序响应。
2. 设计抽样计划。 抽样计划是根据您的假设创建的。 这些计划可能是分层的（嵌套的）、系统的或交叉的。它们旨在分离和分配不同的变化源并增加推理空间。 所以看起来你应该对导致珊瑚礁退化的原因感兴趣。 您可以根据假设对实际珊瑚礁进行采样。 假设您假设环境盐度有一些影响。 您将从同一盐度内采集多个样本，然后从具有不同盐度的位置取样。 假设您的假设与环境污染物有关。 同样的想法苹果，从“相等”污染物的区域内采集多个样本，然后选择污染不同的不同位置。 当然，这可以通过实验设计理念来加速，但实验必须在现实世界中进行，而不是在实验室中进行。 见费舍尔等。人。
回复：健康数据的最佳预测建模方法@abmayfield ：我将回到您的“……主要问题……”，转向“黄金标准”建模方法。 IMO 无法具体说明“黄金标准”的概念。 如果我能有点哲学，那么有这么多建模方法“存在”是有原因的。 如果回想一下建模方法的增长和扩散，那真的是因为没有一种方法最适合所有类型的问题和数据。 因此，我一直向从业者宣扬的想法是尝试大量使用它们来解决您的问题和数据，然后看看哪个“最好”。 对于二元分类响应，一些关键的模型诊断方法是误分类率、ROC 曲线等。 JMP Pro 的公式库和模型比对平台可以让比对业务变得高效。
回复：健康数据的最佳预测建模方法谢谢你看看这个。 我故意对我的实际生物学问题含糊其辞，所以也许对此进行扩展会使我的问题和需求更加清晰。 我想预测哪些珊瑚会漂白（由于失去共生体而变白然后死亡的过程）。 基本上，我在漂白前的几天和几周内监测了珊瑚的分子生物学，以便我可以将生物标志物浓度和漂白的可能性联系起来。 基本上，各种多变量平台在候选生物标志物选择方面产生了相似的结果（即，最能区分易漂白珊瑚和抗漂白珊瑚的蛋白质）。 不过，我想知道的是，当我用尚未取样的珊瑚测试这些结果时，这些结果在现实世界中是否有任何预测价值。 我显然需要一个具有一定灵活性的模型，而且我认为我尝试过的一些方法本身不是预测建模方法，而是解释性的，在这种情况下它们适合 100% 的数据，因此容易过度拟合. 也许这证明了只有 11 个珊瑚和 272 个特征，即生成的模型本质上会过拟合。
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/using-jmp-pro-to-build-generalized-regression-models.html该网络研讨会试图实现与人类类似的目标（将患糖尿病的可能性与生物标志物特征联系起来）。 然而，在这种情况下，Y 是一个连续变量，所以也许我需要尝试弄清楚如何对珊瑚进行排名，正如你提到的，沿着从 0 到 10 或类似的连续统。
回复：健康数据的最佳预测建模方法我显然不明白你的问题，所以这个评论可能没有用。如果你真的有 800 多个特征和 11 个观察值，我无法想象能够得出任何结论。区分健康和不健康的观察应该不难（从字面上看，您应该能够使用几乎任何一组这些特征来做到这一点，尽管它在很大程度上是一个毫无意义的模型）。更重要的是，我根本不确定您的二分响应变量。珊瑚礁真的是健康的还是不健康的，没有渐变？通常，像这样的健康研究会将其视为删失数据——观察是在某个时间点进行的，那时可能会观察到不健康的样本，而那些健康的样本必须被视为迄今为止的健康样本（意味着坏结果是连续响应变量并且数据被删失）。还是您建议仅在您可以明确宣布珊瑚礁健康或不健康时才进行观察？
