健康數據的最佳預測建模方法大家好，
這比任何事情都更“吐痰”，所以就這樣吧。 簡而言之，我正在嘗試開發一種珊瑚礁診斷測試，以便我們知道哪些可能會因氣候變化而死亡，哪些不會。 通過在實驗室進行的一系列實驗，我現在知道了與彈性和壓力敏感珊瑚相關的蛋白質特徵，因此，理論上，我現在可能有能力進入海洋，對我沒有的新殖民地進行採樣對他們的健康沒有任何先驗知識，並對他們的健康做出預測。
從分析上講，我已經用我分析過的蛋白質嘗試了很多東西，其中很大一部分是共線的（使得標準回歸方法不太適合）。 似乎對“健康”與“壓力”珊瑚數據集使用判別分析方法可以給我想要的答案。 我玩弄了逐步判別分析，基本上試圖確定可以 100% 正確按健康狀況對樣本進行分類的蛋白質的最小數量。 我是否正確解釋了這一點？ 似乎判別分析基本上是具有某種預測功能的 MANOVA（儘管在這種情況下不能使用 MANOVA，因為我僅在 11 個樣本中測量了 272 種蛋白質）。
我今天看到了一個關於廣義回歸的很棒的 JMP 網絡研討會，所以我玩了一下。 我將 Y 設置為健康狀態（二項式：健康與壓力）並將 272 種蛋白質用作 x 變量。 在某些情況下，最後一組“信息量最大”的蛋白質與來自 DCA 的蛋白質相似，但往往更多（大約五種蛋白質基本上可以用來建立一個可以準確預測珊瑚健康的模型）。 當然，一個問題是我正在使用我已經知道答案的樣本（即珊瑚是生是死）。 因此，我冒著過擬合的風險。 判別分析似乎只是完全擬合數據，可能不會為隨機性或噪聲留下任何迴旋餘地。 由於我為廣義回歸創建了一個驗證列，這應該在一定程度上減少過度擬合的可能性，對吧？
然後是偏最小二乘，但每次我將 PLS 與 OMICS（轉錄組或蛋白質組）數據集一起使用時，R2 總是低得可憐，比如 0.05-0.07。 上週我看到了一個非常棒的關於廣義回歸的網絡研討會，演講者基本上使用 Formula Depot 來編譯從多種方法派生的模型，這基本上給了我進行這種分析的想法。 我想，最後，我的主要問題是，當您嘗試為具有數百到數千個預測變量的二項式（在這種情況下是健康與生病）響應建立預測模型時，這些方法中的任何一種都被認為是“黃金”嗎？標準？” 值得一提的是，數據通常是非正態分佈的。 這個數據集非常小，如果點擊 PCA，很容易區分不健康的樣本。
回复：健康數據的最佳預測建模方法還要記住的一件事是你的整體方法，因為這聽起來真的很適合你的全球問題，有一個兩步的方法，
第 1 步：解釋性建模以嘗試和表徵系統，因此應首先研究其優勢是變量識別/減少的建模方法。
第 2 步：預測模型，對未來或新珊瑚系統的健康狀況和未來前景做出陳述。 因此，最需要預測能力的模型。
一個很好的網絡研討會有助於區分這些方法：
https://www.jmp.com/en_us/events/ondemand/analytically-speaking/to-explain-or-predict-that-is-the-question.html
回复：健康數據的最佳預測建模方法感謝大家的建議和反饋。 我確實意識到，至少可以說，根據 2010 年進行的一次實驗中的 11 個樣本來預測野外珊瑚的命運是危險的！ 幸運的是，我已經收集了在不同溫度、鹽度、光照水平、國家、緯度等條件下收集的不同珊瑚的大量現場數據，並希望將這些數據與實驗室實驗中的數據合併，開始拼湊某種珊瑚診斷系統。 我喜歡人類血液生物標誌物方法，它們可以顯示您的濃度以及正常的“健康”範圍。 我們還不知道珊瑚的健康範圍是多少，所以這可能是需要首先解決的問題。
就此類努力的最佳建模方法而言，我想我很高興聽到沒有人說“您絕對應該使用這種方法，而您完全忽略了提及”，因為我基本上一直在調查所有各種選項在那裡。 最後，我可能最終會使用多種方法，儘管我對這些廣義回歸模型越來越感興趣，因為它們似乎在不過度擬合但不使模型如此復雜之間取得了很好的平衡不會有任何實際應用。 再說一次，這可能只是我的數據集的情況，而不是這種方法的整體屬性！
無論如何，我很高興 JMP Pro 中有這麼多這樣的算法和平台。 我認為我現在再也無法回到常規的 JMP 了！
回复：健康數據的最佳預測建模方法我將給出我微薄的反饋……在我看來，您試圖回答的問題之一是：“我在實驗室環境中進行的研究是否有能力在“現實世界”中得出結論？ 我認為這不能通過數據分析來回答。 我的建議是你專注於兩件事：
1. 開發更好的響應變量（相對於離散變量）。 這可能採用一些連續變量的形式（例如，漂白劑的等級、蛋白質 x 的百分比等），或者如果您無法創建連續響應，至少創建一個有序響應。
2. 設計抽樣計劃。 抽樣計劃是根據您的假設創建的。 這些計劃可能是分層的（嵌套的）、系統的或交叉的。它們旨在分離和分配不同的變化源並增加推理空間。 所以看起來你應該對導致珊瑚礁退化的原因感興趣。 您可以根據假設對實際珊瑚礁進行採樣。 假設您假設環境鹽度有一些影響。 您將從同一鹽度內採集多個樣本，然後從具有不同鹽度的位置取樣。 假設您的假設與環境污染物有關。 同樣的想法蘋果，從“相等”污染物的區域內採集多個樣本，然後選擇污染不同的不同位置。 當然，這可以通過實驗設計理念來加速，但實驗必須在現實世界中進行，而不是在實驗室中進行。 見費舍爾等。人。
回复：健康數據的最佳預測建模方法@abmayfield ：我將回到您的“……主要問題……”，轉向“黃金標準”建模方法。 IMO 無法具體說明“黃金標準”的概念。 如果我能有點哲學，那麼有這麼多建模方法“存在”是有原因的。 如果回想一下建模方法的增長和擴散，那真的是因為沒有一種方法最適合所有類型的問題和數據。 因此，我一直向從業者宣揚的想法是嘗試大量使用它們來解決您的問題和數據，然後看看哪個“最好”。 對於二元分類響應，一些關鍵的模型診斷方法是誤分類率、ROC 曲線等。 JMP Pro 的公式庫和模型比對平台可以讓比對業務變得高效。
回复：健康數據的最佳預測建模方法謝謝你看看這個。 我故意對我的實際生物學問題含糊其辭，所以也許對此進行擴展會使我的問題和需求更加清晰。 我想預測哪些珊瑚會漂白（由於失去共生體而變白然後死亡的過程）。 基本上，我在漂白前的幾天和幾週內監測了珊瑚的分子生物學，以便我可以將生物標誌物濃度和漂白的可能性聯繫起來。 基本上，各種多變量平台在候選生物標誌物選擇方面產生了相似的結果（即，最能區分易漂白珊瑚和抗漂白珊瑚的蛋白質）。 不過，我想知道的是，當我用尚未取樣的珊瑚測試這些結果時，這些結果在現實世界中是否有任何預測價值。 我顯然需要一個具有一定靈活性的模型，而且我認為我嘗試過的一些方法本身不是預測建模方法，而是解釋性的，在這種情況下它們適合 100% 的數據，因此容易過度擬合. 也許這證明了只有 11 個珊瑚和 272 個特徵，即生成的模型本質上會過擬合。
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/using-jmp-pro-to-build-generalized-regression-models.html該網絡研討會試圖實現與人類類似的目標（將患糖尿病的可能性與生物標誌物特徵聯繫起來）。 然而，在這種情況下，Y 是一個連續變量，所以也許我需要嘗試弄清楚如何對珊瑚進行排名，正如你提到的，沿著從 0 到 10 或類似的連續統。
回复：健康數據的最佳預測建模方法我顯然不明白你的問題，所以這個評論可能沒有用。如果你真的有 800 多個特徵和 11 個觀察值，我無法想像能夠得出任何結論。區分健康和不健康的觀察應該不難（從字面上看，您應該能夠使用幾乎任何一組這些特徵來做到這一點，儘管它在很大程度上是一個毫無意義的模型）。更重要的是，我根本不確定您的二分響應變量。珊瑚礁真的是健康的還是不健康的，沒有漸變？通常，像這樣的健康研究會將其視為刪失數據——觀察是在某個時間點進行的，那時可能會觀察到不健康的樣本，而那些健康的樣本必須被視為迄今為止的健康樣本（意味著壞結果是連續響應變量並且數據被刪失）。還是您建議僅在您可以明確宣布珊瑚礁健康或不健康時才進行觀察？
