El mejor enfoque de modelado predictivo para datos de saludHola a todos,
Esto es más "escupir bolas" que cualquier otra cosa, así que aquí va. En pocas palabras, estoy tratando de desarrollar una prueba de diagnóstico para corales de arrecife para que podamos saber cuáles probablemente morirán como resultado del cambio climático y cuáles no. A partir de una serie de experimentos realizados en el laboratorio, ahora conozco las firmas de proteínas asociadas con los corales resistentes y sensibles al estrés, por lo que, en teoría, ahora puedo tener la capacidad de salir al océano, tomar muestras de nuevas colonias que dono. No tienen ningún conocimiento a priori sobre, y hacen predicciones sobre su salud.
Desde el punto de vista analítico, he probado bastantes cosas con las proteínas que he perfilado, gran parte de las cuales son colineales (lo que hace que los enfoques de regresión estándar no sean adecuados). Parece que usar el enfoque de análisis discriminante para conjuntos de datos de corales "saludables" frente a "estresados" podría darme la respuesta que quiero. Jugué con el análisis discriminante por pasos y básicamente traté de identificar la cantidad mínima de proteínas que clasificaría correctamente al 100 % las muestras por estado de salud. ¿Estoy interpretando esto correctamente? Parece que el análisis discriminante es básicamente un MANOVA con algún tipo de función predictiva (aunque MANOVA no se puede usar en este caso ya que tengo 272 proteínas medidas en solo 11 muestras).
Hoy vi un gran seminario web de JMP sobre regresión generalizada, así que he jugado un poco con eso. Establecí mi Y como estado de salud (binomio: sano vs. estresado) y usé las 272 proteínas como variables x. En algunos casos, el conjunto final de proteínas "más informativas" era similar a las derivadas de DCA, pero tendía a haber más (del orden de cinco proteínas que básicamente podrían usarse para construir un modelo que pudiera predecir con precisión la salud del coral). Un problema, por supuesto, es que estoy usando muestras de las que ya sé la respuesta (es decir, si los corales vivieron o murieron). Por lo tanto, corro el riesgo de haberlo sobreajustado. El análisis discriminante parece estar literalmente ajustando los datos por completo, tal vez sin dejar margen de maniobra para la aleatoriedad o el ruido. Dado que creé una columna de validación para la regresión generalizada, eso debería, en parte, reducir la posibilidad de sobreajuste, ¿verdad?
Y luego están los mínimos cuadrados parciales, pero cada vez que he usado PLS con conjuntos de datos OMICS (transcriptoma o proteoma), el R2 siempre es lamentablemente bajo, como 0.05-0.07. La semana pasada vi un seminario web realmente excelente sobre regresión generalizada en el que el presentador básicamente usa Formula Depot para compilar los modelos derivados de una serie de enfoques, lo que básicamente me dio la idea de hacer este tipo de análisis. Supongo que, para terminar, mi pregunta principal es, cuando intenta hacer modelos predictivos para una respuesta binomial (sano vs. enfermo, en este caso) con cientos a miles de predictores, ¿alguno de estos métodos se considera el "oro"? ¿estándar?" También podría valer la pena mencionar que los datos normalmente no se distribuyen normalmente. Este conjunto de datos es muy pequeño y, si hace clic en el PCA, las muestras en mal estado se distinguen muy fácilmente.
Re: El mejor enfoque de modelado predictivo para datos de saludUna cosa que también debe tener en cuenta es su enfoque general porque realmente suena mal para su problema global, hay un enfoque de dos pasos,
Paso 1: Modelado explicativo para tratar de caracterizar un sistema, por lo tanto, primero se deben considerar los métodos de modelado cuyas fortalezas son la identificación/reducción de variables.
Paso 2: Modelado predictivo para hacer declaraciones sobre la salud de los sistemas coralinos futuros o nuevos y las perspectivas para su futuro. Por lo tanto, los modelos en los que la capacidad predictiva son los más deseables.
Un buen seminario web que ayuda a diferenciar los enfoques está aquí:
https://www.jmp.com/en_us/events/ondemand/analytically-hablando/para-explicar-o-predecir-esa-es-la-pregunta.html
Re: El mejor enfoque de modelado predictivo para datos de saludGracias a todos por sus sugerencias y comentarios. ¡Me doy cuenta de que tratar de predecir el destino de los corales en la naturaleza en base a 11 muestras de un solo experimento realizado en 2010 es precario, por decir lo menos! Afortunadamente, he recopilado toneladas de datos de campo de diferentes corales recolectados a diferentes temperaturas, salinidades, niveles de luz, países, latitudes, etc. y espero fusionar estos datos con los de los experimentos de laboratorio para comenzar a reconstruir algún tipo de coral. sistema de diagnostico Me gusta el enfoque de los biomarcadores de sangre humana donde te muestran tu concentración, así como el rango normal "saludable". Todavía no sabemos cuáles son los rangos saludables para los corales, por lo que podría ser algo que deba resolverse primero.
En términos del mejor enfoque de modelado para este tipo de esfuerzo, supongo que me alegra saber que nadie dijo "absolutamente deberías usar este enfoque, que olvidaste mencionar por completo", ya que básicamente he estado investigando todos los diversos opciones por ahí. Al final, probablemente terminaré usando una combinación de enfoques, aunque cada vez estoy más interesado en estos modelos de regresión generalizados porque parecen lograr un buen equilibrio entre NO sobreajustar pero NO hacer un modelo tan complejo que no tendría ninguna aplicación práctica. Por otra parte, este podría ser solo el caso con mi conjunto de datos, ¡en lugar de una propiedad general de este enfoque!
En cualquier caso, me alegro de que tantos algoritmos y plataformas de este tipo estén disponibles en JMP Pro. ¡No creo que pueda volver a JMP regular ahora!
Re: El mejor enfoque de modelado predictivo para datos de saludDaré mis escasos comentarios... Me parece que una de las preguntas que está tratando de responder es: "¿Los estudios que he realizado en un entorno de laboratorio tienen alguna capacidad para sacar conclusiones en el "mundo real"? No creo que esto se pueda responder a través del análisis de datos. Lo que te sugiero es que te centres en dos cosas:
1. Desarrollar mejores variables de respuesta (vs. discretas). Esto puede tomar la forma de alguna variable continua (p. ej., graduación de la lejía, porcentaje de proteína x, etc.) o si no puede crear una respuesta continua, al menos cree una respuesta ordinal.
2. Diseñar planes de muestreo. Los planes de muestreo se crean en función de sus hipótesis. Los planes pueden ser jerárquicos (anidados), sistemáticos o cruzados. Su objetivo es separar y asignar diferentes fuentes de variación y aumentar el espacio de inferencia. Así que debería parecer que estás interesado en las causas de la degradación de los arrecifes de coral. Puede muestrear arrecifes reales en función de sus hipótesis. Supongamos que plantea la hipótesis de que la salinidad ambiental tiene algún efecto. Tomaría varias muestras dentro de la misma salinidad y luego tomaría muestras de una ubicación que tenga una cantidad diferente de salinidad. Digamos que su hipótesis tiene algo que ver con los contaminantes ambientales. La misma idea es tomar múltiples muestras dentro de un área de contaminantes "iguales" y luego seleccionar una ubicación diferente donde la contaminación sea diferente. Por supuesto, esto se puede acelerar con ideas de diseño experimental, pero los experimentos deben realizarse en el mundo real, no en el laboratorio. Véase Fisher, et. Alabama.
Re: El mejor enfoque de modelado predictivo para datos de salud@abmayfield : Volveré a su '... pregunta principal...', en lugar de una metodología de modelado de 'estándar de oro'. En mi opinión, la noción de un "estándar de oro" es simplemente imposible de especificar. Si puedo ponerme un poco filosófico, hay una razón por la que tantos métodos de modelado están 'allá afuera'. Si uno piensa en el crecimiento y la proliferación de métodos de modelado, en realidad se debe a que ningún método funciona mejor para todo tipo de problemas y datos. Entonces, la idea que siempre prediqué a los profesionales es probar MUCHOS de ellos para SU problema y datos y luego ver cuál funciona 'mejor'. Para las respuestas categóricas binarias, algunos métodos clave de diagnóstico del modelo son la tasa de clasificación errónea, las curvas ROC, etc. Las plataformas Formula Depot y Model Comparison de JMP Pro pueden hacer que el negocio de la comparación sea eficiente.
Re: El mejor enfoque de modelado predictivo para datos de saludGracias por echar un vistazo a esto. Fui deliberadamente vago sobre mi pregunta biológica real, por lo que tal vez ampliarla aclarará mis preguntas y necesidades. Quiero predecir qué corales se blanquearán (un proceso en el que se vuelven blancos debido a la pérdida de simbiontes y luego mueren). Básicamente, supervisé la biología molecular de los corales en los días-semanas anteriores al blanqueo para poder relacionar las concentraciones de biomarcadores y la probabilidad de blanqueo. Básicamente, las diversas plataformas multivariadas arrojan resultados similares con respecto a la selección de biomarcadores candidatos (es decir, las proteínas que mejor distinguen los corales propensos a la decoloración de los corales resistentes a la decoloración). Sin embargo, lo que me pregunto es si estos resultados tendrán algún valor predictivo en el mundo real cuando los pruebe con corales que aún no han sido muestreados. Claramente necesito un modelo con cierta flexibilidad, y creo que algunos de los enfoques que probé no son enfoques de modelado predictivo per se, sino explicativos, en cuyo caso se ajustan al 100 % de los datos y, por lo tanto, tienden a sobreajustarse. . Tal vez esto sea un testimonio de tener solo 11 corales y 272 características, es decir, el modelo resultante será intrínsecamente sobreajustado.
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/using-jmp-pro-to-build-generalized-regression-models.html Este seminario web está tratando de lograr algo similar, aunque con humanos (vinculando la probabilidad de contraer diabetes a partir de las firmas de biomarcadores). Sin embargo, en este caso, la Y es una variable continua, así que tal vez deba averiguar cómo clasificar los corales, como mencionaste, a lo largo de un continuo de 0 a 10 o algo así.
Re: El mejor enfoque de modelado predictivo para datos de saludClaramente no entiendo su problema, por lo que este comentario puede no ser útil.Si realmente tiene más de 800 funciones y 11 observaciones, no puedo imaginarme poder concluir nada.No debería ser difícil distinguir entre observaciones saludables y no saludables (literalmente, debería poder hacer esto con casi cualquier conjunto de un puñado de esas características, aunque en gran medida sería un modelo sin sentido).Más importante aún, no estoy seguro acerca de su variable de respuesta dicotómica en absoluto.¿Son los arrecifes de coral realmente saludables o insalubres, sin gradaciones?Por lo general, los estudios de salud como este tratarían esto como datos censurados: las observaciones se toman en un punto en el tiempo y en ese momento se pueden observar los especímenes no saludables, mientras que los que están saludables deben tratarse como saludables hasta el momento (es decir, el tiempo para un mal resultado es la variable de respuesta continua y los datos están censurados).¿O está proponiendo solo tomar observaciones en un momento en que pueda declarar el arrecife como saludable o no saludable definitivamente?
