dépistage des réponses avec des données binomialesJ'utilise régulièrement le dépistage des réponses pour examiner rapidement des tonnes de comparaisons de facteurs expérimentaux (par exemple, la température) sur les concentrations de protéines. Cependant, j'ai maintenant des données binomiales (présence/absence) (soit 0, soit 1), et je vois que vous pouvez changer la distribution en Cauchy ou Poisson en bas, mais je ne vois pas de binôme. Je vois "Même échelle Y" mais je ne sais pas si cela suffirait. Évidemment, je pourrais créer des modèles linéaires généralisés individuels sous « Ajuster le modèle », mais j'ai l'impression qu'il pourrait y avoir une option plus rapide si le dépistage des réponses est inapproprié. DANS ce cas, il n'y a que 22 protéines, donc ce n'est pas la fin du monde de le faire manuellement, mais quand j'ai des centaines de protéines, ce serait bien d'utiliser quelque chose qui s'apparente au dépistage des réponses. GLM avec un commutateur de colonne pour parcourir rapidement les protéines pourrait être une option légèrement plus lente. D'autres idées ?
Re : sélection des réponses avec des données binomialesMerci à vous deux pour vos réponses. Je recherche en effet les protéines candidates les plus intéressantes, et il semble que le dépistage des réponses (même s'il est potentiellement statistiquement douteux étant donné que les données sont binomiales), la régression pas à pas et la régression généralisée me disent tous essentiellement que la même série de protéines sont celles-là. les plus touchés par le traitement expérimental. Je pense que la régression généralisée pourrait en fait être la plus robuste car elle pénalise la colinéarité.
Ma question est alors de nature plus statistique : est-il valable d'utiliser une telle approche si les prédicteurs (protéines) sont binomiaux (0 ou 1) et la réponse (Y) est multinomiale (dans certains cas puisque j'ai différents groupes d'interaction) ? Plus généralement, pour la régression généralisée, est-il important si les prédicteurs (les protéines) ne sont pas distribués normalement (seulement des 0 et des 1) ? Si cela n’a pas d’importance, je pense que la régression généralisée pourrait être une bonne solution. J'ai joint les données afin que les gens puissent voir comment elles sont formatées.
Re : sélection des réponses avec des données binomialesVous pouvez également envisager d'utiliser la partition. Utilisez la validation croisée pour pouvoir cliquer sur Go. Vous ne sélectionnez pas de modèle ici, même si cela peut paraître tel. Examinez maintenant les contributions des colonnes pour avoir une idée des prédicteurs utiles.
Re : sélection des réponses avec des données binomialesJe pense que vous utilisez JMP Pro et il semble que votre objectif principal soit la sélection de variables ? Si tel est le cas, vous souhaiterez peut-être également consulter certaines des méthodes de régression pénalisées dans la personnalité Ajuster le modèle -> Régression généralisée. Deux qui pourraient être particulièrement utiles pour la sélection de variables sont la famille des procédures d'ajustement Lasso ou Elastic Net. Il existe également diverses options pour spécifier la distribution de réponse sous-jacente. Voici le site Web de documentation en ligne pour obtenir des conseils supplémentaires :
https://www.jmp.com/support/help/en/15.1/#page/jmp/estimation-method-options.shtml#ww355563
