Hallo,
Ich habe es mit sehr großen Datensätzen zu tun, in denen wir viele verschiedene Studien (study_id) durchgeführt haben, in denen wir verschiedene 'test_article' mit einer Kontrolle (dh PBS) vergleichen. Dies erfolgt in mehreren Replikaten (subject_id). Für jede von subject_id messen wir in jeder dieser Studien bis zu 50000 verschiedene Arten von Messungen (Veggies). Das Ergebnis jeder Messung wird als log2 angegeben (der Messung eines bestimmten Probanden, normalisiert durch den Mittelwert der Kontrollgruppe aus derselben Studie, aber die Art der Messung ist meiner Meinung nach nicht so wichtig).
An einem kleinen Datensatz würde ich für jedes Gemüse eine Einweg-Anova (eine pro Studie) durchführen, um die Wirkung der Behandlung (test_article) zu vergleichen und anschließend eine Dunnett-Anova zu erhalten. Bei großen Datenmengen scheint es aus zwei Gründen unlösbar zu werden (Mehrfachmessung - daher wird FDR erforderlich) und nicht in der Lage (dh nicht zu wissen, wie), nur den p-Wert zu melden und die grafische Phase zu umgehen (was nicht praktikabel ist) für so viele Tests).
Das 'Response Screening' scheint eine etwas bessere Alternative zu sein, es fehlt jedoch die Option, eine Referenzkontrollgruppe zu definieren, da ich nicht daran interessiert bin zu wissen, ob Testartikel A besser als B ist, sondern nur, wenn sich einer der Testartikel von dem unterscheidet Steuerung.
Schließlich möchte ich den Prozess für die Reproduzierbarkeit codieren können.
Ich habe ein Spielzeugbeispiel des Datensatzes angehängt.
Anregungen wäre sehr dankbar.
Sebastien
