Conversion du pourcentage de perte en probits dans JMPJ'ai généré des régressions probit indépendantes pour plusieurs populations à un toxique en utilisant un modèle linéaire général binomial avec une fonction de lien probit et log (dose) comme X. Maintenant, je souhaite convertir mon Y en unités probit.
Lorsque j'enregistre des formules à partir de la sortie GLM, j'obtiens cette formule pour chaque population :
Distribution normale (intersection + pente * log (dose))
Étant donné qu'un probit est l'inverse de la fonction de distribution cumulative, je pensais créer une nouvelle colonne avec la formule :
(1) Quantile normal (distribution normale (interception + pente * log (dose))) + 5 * Notez que +5 est arbitraire
la sortie ci-dessus me semblait raisonnable mais j'étais confus d'avoir à la fois le quantile normal en plus de la distribution normale dans l'équation et je penserais qu'ils s'annuleraient et j'ai décidé d'essayer la formule sans la distribution normale comme suit :
(2) Quantile normal (intersection + pente * log (dose))) + 5
Une fois la "distribution normale" supprimée, comme dans (2), elle influence considérablement la forme.De plus, vous pouvez voir la dose létale de 50 % (5 probits) changer en fonction de l'équation, ce qui est vraiment important
Les lignes pointillées sont l'équation (1) et les solides sont l'équation (2) pour chaque population.
Ai-je correctement converti en probits dans l'équation 1 ?J'ai fait quelques recherches et je n'ai pas vu comment faire cela dans JMP.
Merci!
Re : Conversion du pourcentage de perte en probits dans JMPLittéralement, je veux dire que la valeur du paramètre Dose dans le modèle. Si vous considérez ce paramètre comme une "pente", alors oui, il compare les courbes de cette façon.
Re : Conversion du pourcentage de perte en probits dans JMPBonjour Marc,
Je sais que c'était il y a un moment, mais merci d'avoir fourni votre réponse ci-dessus.Je l'ai trouvé très utile.
J'avais une question de suivi pour vous sur une partie de votre réponse :
"L'effet Traitement * Log Dose testera une différence dans l'effet de Dose indiquant une transition plus ou moins forte entre les asymptotes."
Serait-il correct de dire que l'effet Traitement * Log Dose compare essentiellement les pentes des courbes dose-réponse pour les deux traitements ?
Re : Conversion du pourcentage de perte en probits dans JMPDe nombreuses méthodes historiques ont été dépassées par des méthodes supérieures lorsque de nouvelles théories, techniques et technologies sont devenues disponibles. Les méthodes plus anciennes s'estompent très lentement car nous avons tendance à nous accrocher à tout ce qui a réussi dans le passé. Vos résultats sont corrects, cependant, si vous souhaitez poursuivre cette approche.
Je ne suis pas toxicologue. Je suis un scientifique, cependant, et un statisticien. J'utiliserais le GLM comme vous l'avez fait et j'inclurais la population (par exemple, le traitement) dans le modèle. Par exemple, étendons mon exemple précédent :
Configurez le modèle à l'aide de la boîte de dialogue de lancement Ajuster le modèle comme précédemment et incluez le traitement.
L'effet de traitement testera une différence moyenne (c'est-à-dire une interception unique) indiquant qu'une courbe se déplace vers la gauche ou vers la droite par rapport à l'autre courbe. L'effet Traitement * Log Dose testera une différence dans l'effet de Dose indiquant une transition plus ou moins forte entre les asymptotes.
Le diagramme de régression dans JMP montre clairement les deux courbes. Les tests d'effet fournissent des preuves statistiques pour décider de toute différence entre les courbes. Je ne vois pas comment une transformation rendra cette comparaison plus efficace.
Re : Conversion du pourcentage de perte en probits dans JMPDésolé d'avoir été peu clair dans ma question initiale. J'essayais d'effectuer une transformation probit et de convertir l'axe Y à partir d'un pourcentage (sur le CDF d'une distribution normale : Φ(x) ) en probits (l'inverse de la CDF d'une dist normale : Φ^-1(p)). Voir l'instantané de google ci-dessous :
Ceci est important pour visualiser la dose-réponse pour la mortalité, car la létalité d'un toxique dans une population n'est pas distribuée normalement (elle est log-normale RÉF ). Traditionnellement, les toxicologues convertissaient le pourcentage de mortalité en probits (voir le tableau des probits de Finney de 1952) avant de faire une simple régression à la main, car cela linéarisait la relation dose-réponse (plus facile sans ordinateur). Dans mon analyse mentionnée précédemment, j'en tiens compte en utilisant la fonction de lien probit. Mais la sortie n'est pas en probits car elle est prédite en pourcentage sur une distribution normale CDF. Je crois comprendre que c'est la meilleure façon de visualiser et de comparer les relations dose-réponse entre les populations.
J'ai réussi à comprendre comment transformer le Y des formules prédites en probits à des fins visuelles en utilisant:
Quantile normal((Distribution normale(Interception+Pente*Log(dose))))
J'avais simplement besoin d'ajouter un ensemble supplémentaire de parenthèses !!Je suis confiant car cela me donne la même dose létale médiane et linéarise la ligne :
Dans le graphique ci-dessus, j'ai ajouté 0,5 à la formule susmentionnée car 0 probits = 50% de mortalité et en ajoutant 0,5 ils se croiseraient à la même dose létale médiane.
Vous connaissez évidemment ce genre de choses mieux que moi, mais je voulais le taper pour, espérons-le, être utile aux futurs utilisateurs qui pourraient également vouloir transformer la sortie en probits.Cela vous semble-t-il raisonnable ?
Re : Conversion du pourcentage de perte en probits dans JMPJ'ai oublié d'ajouter qu'il existe une commande Inverse Prediction disponible dans le menu du triangle rouge de la plate-forme. Dans cet exemple, je demande le Log Dose pour plusieurs points du CDF.
Le résultat est:
Est-ce ce résultat que vous recherchez ?
Re : Conversion du pourcentage de perte en probits dans JMPHonnêtement, je ne sais pas ce que vous entendez par "unités probit". Voici une maquette d'une analyse probit simple. J'ai créé un test avec une dose croissante. Il y a 25 sujets pour chaque dose. Le nombre de décès sur 25 est enregistré.
Ensuite, j'ai commencé l'analyse probit avec cette configuration dans la boîte de dialogue de lancement Fit Model :
J'obtiens alors cette analyse.
Le graphique montre la courbe probit ajustée en fonction de Log Dose. La plage de la fonction probit est de 0 à 1. J'ai enregistré la formule de prédiction dans la table de données.
La formule de prédiction est :
Les décès prédits correspondent à l'échantillon multiplié par la fonction de distribution cumulative probit ou normale (CDF).
Cette quantité est-elle celle que vous souhaitez ? Si ce n'est pas le cas, veuillez définir les "unités probit" en fonction de cet exemple.
