Antwortscreening mit BinomialdatenIch nutze routinemäßig das Reaktionsscreening, um mir schnell unzählige Vergleiche experimenteller Faktoren (z. B. Temperatur) mit Proteinkonzentrationen anzusehen. Allerdings habe ich jetzt Binomialdaten (Anwesenheit/Abwesenheit) (entweder 0 oder 1) und sehe, dass Sie unten die Verteilung in Cauchy oder Poisson ändern können, aber ich sehe keine Binomialdaten. Ich sehe „Gleiche Y-Skala“, bin mir aber nicht sicher, ob das funktionieren würde. Natürlich könnte ich unter „Modell anpassen“ einzelne verallgemeinerte lineare Modelle erstellen, aber ich denke, es könnte eine schnellere Option geben, wenn das Antwortscreening ungeeignet ist. In diesem Fall gibt es nur 22 Proteine, es ist also nicht das Ende der Welt, es manuell zu machen, aber wenn ich Hunderte von Proteinen habe, wäre es schön, so etwas wie ein Antwort-Screening zu verwenden. GLM mit einem Säulenumschalter zum schnellen Durchlaufen von Proteinen könnte eine etwas langsamere Option sein. Irgendwelche anderen Ideen?
Betreff: Antwortscreening mit BinomialdatenVielen Dank euch beiden für eure Antworten. Ich bin in der Tat auf der Suche nach den interessantesten Proteinkandidaten, und es scheint, dass mir das Antwortscreening (auch wenn es möglicherweise statistisch zweifelhaft ist, da die Daten binomial sind), die schrittweise Regression und die generalisierte Regression im Grunde sagen, dass es sich dabei um dieselbe Reihe von Proteinen handelt am meisten von der experimentellen Behandlung betroffen. Ich denke, die verallgemeinerte Regression könnte tatsächlich am robustesten sein, da sie Kollinearität bestraft.
Meine Frage ist dann eher statistischer Natur: Ist es sinnvoll, einen solchen Ansatz zu verwenden, wenn die Prädiktoren (Proteine) binomial (0 oder 1) und die Antwort (Y) multinomial ist (in einigen Fällen, da ich verschiedene Interaktionsgruppen habe)? Spielt es für die allgemeine Regression allgemeiner eine Rolle, ob die Prädiktoren (die Proteine) nicht normalverteilt sind (nur 0er und 1er)? Wenn es keine Rolle spielt, könnte eine generalisierte Regression meiner Meinung nach eine gute Lösung sein. Ich habe die Daten angehängt, damit die Leute sehen können, wie sie formatiert sind.
Betreff: Antwortscreening mit BinomialdatenSie könnten auch die Verwendung von Partition in Betracht ziehen. Verwenden Sie eine Kreuzvalidierung, damit Sie auf „Los“ klicken können. Sie wählen hier kein Modell aus, auch wenn es den Anschein hat. Untersuchen Sie nun die Spaltenbeiträge, um eine Vorstellung von nützlichen Prädiktoren zu bekommen.
Betreff: Antwortscreening mit BinomialdatenIch glaube, Sie verwenden JMP Pro und es hört sich so an, als ob Ihr Hauptziel die Variablenauswahl ist? Wenn das der Fall ist, möchten Sie vielleicht auch einige der bestraften Regressionsmethoden innerhalb der Persönlichkeit „Anpassungsmodell -> Generalisierte Regression“ ausprobieren. Zwei, die für die Variablenauswahl von besonderem Wert sein könnten, sind die Familie der Lasso- oder Elastic-Net-Anpassungsverfahren. Darüber hinaus gibt es verschiedene Möglichkeiten, die zugrunde liegende Antwortverteilung festzulegen. Hier ist die Online-Dokumentationswebsite für zusätzliche Anleitungen:
https://www.jmp.com/support/help/en/15.1/#page/jmp/estimation-method-options.shtml#ww355563
