이항 데이터를 사용한 응답 선별나는 단백질 농도에 대한 수많은 실험 요인(예: 온도)의 비교를 신속하게 살펴보기 위해 일상적으로 반응 선별을 사용합니다. 그러나 이제 이항(존재/부재) 데이터(0 또는 1)가 있고 하단에서 분포를 코시 또는 포아송으로 변경할 수 있는 것을 볼 수 있지만 이항은 표시되지 않습니다. "동일한 Y 스케일"이 표시되지만 그것이 가능한지 확실하지 않습니다. 분명히 "맞춤 모델"에서 개별 일반화 선형 모델을 수행할 수 있지만 응답 선별이 부적절하다는 점에서 더 빠른 옵션이 있을 수 있다고 생각합니다. 이 경우에는 단백질이 22개뿐이므로 수동으로 수행하는 것이 세상의 끝은 아니지만 수백 개의 단백질이 있을 경우 반응 선별과 유사한 것을 사용하는 것이 좋을 것입니다. 단백질을 빠르게 통과시키기 위한 컬럼 전환기를 갖춘 GLM은 약간 느린 옵션 중 하나일 수 있습니다. 다른 아이디어가 있나요?
답변: 이항 데이터를 사용한 응답 선별귀하의 답변에 감사드립니다. 나는 실제로 가장 흥미로운 후보 단백질을 찾고 있으며, 응답 스크리닝(데이터가 이항적이라는 점을 고려하면 통계적으로 모호할 수 있음에도 불구하고), 단계적 회귀 및 일반화된 회귀는 모두 기본적으로 동일한 일련의 단백질이 다음과 같다는 것을 알려주는 것 같습니다. 실험적 치료에 가장 큰 영향을 받습니다. 일반화 회귀는 공선성에 대해 불이익을 주기 때문에 실제로 가장 강력할 수 있다고 생각합니다.
내 질문은 본질적으로 더 통계적입니다. 예측 변수(단백질)가 이항(0 또는 1)이고 응답(Y)이 다항인 경우(일부 경우에는 다양한 상호 작용 그룹이 있기 때문에) 이러한 접근 방식을 사용하는 것이 타당합니까? 보다 일반적으로 일반화 회귀의 경우 예측 변수(단백질)가 비정규 분포(단지 0과 1)인지 여부가 중요합니까? 문제가 되지 않는다면 일반화 회귀가 좋은 해결책이 될 수 있다고 생각합니다. 사람들이 데이터 형식을 확인할 수 있도록 데이터를 첨부했습니다.
답변: 이항 데이터를 사용한 응답 선별파티션 사용을 고려할 수도 있습니다. 이동을 클릭할 수 있도록 교차 검증을 사용하세요. 그렇게 보일 수도 있지만 여기서는 모델을 선택하지 않습니다. 이제 유용한 예측변수에 대한 아이디어를 얻기 위해 열 기여도를 조사하십시오.
답변: 이항 데이터를 사용한 응답 선별JMP Pro를 실행하고 계시는데 주요 목표가 변수 선택인 것 같은데요? 그렇다면 적합 모델 -> 일반화 회귀 특성 내에서 페널티 회귀 방법 중 일부를 확인해 볼 수도 있습니다. 변수 선택에 특히 유용할 수 있는 두 가지는 Lasso 또는 Elastic Net 피팅 절차 계열입니다. 기본 응답 분포를 지정하는 다양한 옵션도 있습니다. 추가 지침이 있는 온라인 설명서 웹 사이트는 다음과 같습니다.
https://www.jmp.com/support/help/en/15.1/#page/jmp/estimation-method-options.shtml#ww355563
