二項データによる応答スクリーニング私は定期的に応答スクリーニングを使用して、タンパク質濃度に関する実験要因 (温度など) の大量の比較を素早く調べます。 ただし、現在は二項 (存在/不在) データ (0 または 1) があり、下部で分布をコーシーまたはポアソンに変更できることがわかりますが、二項が表示されません。 「同じ Y スケール」が表示されますが、それができるかどうかはわかりません。 もちろん、「モデルの適合」で個別の一般化線形モデルを実行することもできますが、応答のスクリーニングが不適切であるため、より高速なオプションがあるような気がします。 この場合、タンパク質は 22 個しかないので、手動で行うのは世界の終わりではありませんが、タンパク質が数百個ある場合には、応答スクリーニングに似たものを使用するとよいでしょう。 タンパク質を迅速に処理するためのカラムスイッチャーを備えた GLM は、わずかに遅いオプションの 1 つになる可能性があります。 他に何かアイデアはありますか？
Re: 二項データによる応答スクリーニングお二人ともご返答ありがとうございました。 私は確かに最も興味深い候補タンパク質を探しています。応答スクリーニング (データが二項であることを考えると潜在的に統計的に疑わしい場合でも)、段階的回帰、および一般化回帰はすべて、基本的に同じ一連のタンパク質であることがわかります。最も影響を受けるのは実験的治療です。 一般化回帰は共線性にペナルティを与えるため、実際には最も堅牢である可能性があると思います。
私の質問は本質的により統計的なものです。予測子 (タンパク質) が二項 (0 または 1) で、応答 (Y) が多項である場合、そのようなアプローチを使用するのは有効ですか (さまざまな交互作用グループがあるため、場合によっては)。 より一般的には、一般化回帰の場合、予測子 (タンパク質) が非正規分布 (0 と 1 だけ) であるかどうかは問題ですか? それが問題ではない場合は、一般化回帰が良い解決策になる可能性があると思います。 データがどのようにフォーマットされているかを確認できるように、データを添付しました。
Re: 二項データによる応答スクリーニングパーティションの使用を検討することもできます。 相互検証を使用して、「実行」をクリックできるようにします。 そうのように見えるかもしれませんが、ここではモデルを選択していません。 次に、列の寄与を調べて、有用な予測子のアイデアを取得します。
Re: 二項データによる応答スクリーニングJMP Pro を実行していると思いますが、主な目標は変数の選択のようですね? その場合は、[モデルの適合] -> [一般化回帰] パーソナリティ内のペナルティ付き回帰メソッドのいくつかを確認することもできます。 変数選択に特に価値がある可能性のある 2 つは、Lasso または Elastic Net フィッティング手順のファミリーです。 基礎となる応答分布を指定するためのさまざまなオプションもあります。 追加のガイダンスについては、オンライン ドキュメント Web サイトを参照してください。
https://www.jmp.com/support/help/ja/15.1/#page/jmp/estimation-method-options.shtml#ww355563
