Gleichwertigkeit für 2 Dosis-Wirkungs-KurvenIch suche einen Äquivalenztest für zwei Dosis-Wirkungs-Kurven, den ich im beigefügten Datensatz in der Kategorie "Messung" als "vorhergesagt" und "korrigiert" bezeichne.
Bei der Bewertung als Spezialmodellierung> Kurve anpassen mit
Y = Kopien / µL
X = Kopien / µL (theoretisch)
Gruppe = Messung
Wenn wir eine lineare Anpassung geben und auf Äquivalenz testen, sehen wir, dass die Steigungen äquivalent sind, aber die Abschnitte unterschiedlich sind. Ich glaube, das liegt daran, dass wir in den Lärm des Assays geraten. Es gibt jedoch einen Punkt, an dem die Steigungen divergieren, und der Divergenzpunkt der 95% -KI sollte den unteren Punkt widerspiegeln, an dem zwei Maßnahmen gleichwertig sind.
Um dies zu erreichen, habe ich Fit Y durch X mit gezeichnet
Y = Kopien / µL
X = Kopien / µL (theoretisch) als Nominal
By = Messung
Tabellieren Sie Mittel und SD> In kombinierte Datentabelle umwandeln
In der resultierenden Datentabelle sehen wir, dass der 95% CI zwischen 25 und 2,5 Kopien / µl divergiert, wie durch die Mittelwerte für jede Messung gezeigt wird, die in beiden 95% CI-Bereichen gefunden werden.
Meine beiden Fragen sind: 1) Ist dies ein gültiger Ansatz und wenn ja, 2) wie kann ich den Punkt der Divergenz vorhersagen?
Vielen Dank!
Steve H.
AnalytikBetreff: Äquivalenz für 2 Dosis-Wirkungs-Kurven anzeigenSie haben nicht zwei Dosis-Wirkungs-Kurven geteilt. Sie haben die inverse Vorhersage von zwei Standardkurven gegenüber dem Standardwert geteilt.
Die Analyse mit Messung in der Rolle Nach ergibt zwei unabhängige Analysen. Stattdessen sollten Sie die Daten zusammen mit einem Modell zur Analyse der Kovarianz analysieren. Wählen Sie Analysieren> Modell anpassen und weisen Sie die Spalten den Analyserollen wie folgt zu:
Klicken Sie auf Ausführen. Die Ergebnisse lauten wie folgt:
Der Achsenabschnitt unterscheidet sich nicht wesentlich von 0. Die Steigung ist erwartungsgemäß signifikant. Die Messung ist ebenfalls signifikant, was darauf hinweist, dass der Achsenabschnitt zwischen den beiden Messungen unterschiedlich ist. Schließlich ist der gekreuzte Term für die Wechselwirkung signifikant, was darauf hinweist, dass die Steigung auch zwischen den beiden Messungen unterschiedlich ist.
Betreff: Äquivalenz für 2 Dosis-Wirkungs-Kurven anzeigenHallo Mark,
Danke, dass du einem Neuling geholfen hast. Von den beiden Datensätzen ist 'Predicted' das Ergebnis einer inversen Vorhersage (Methode 1) und 'Corrected' eine tatsächliche Messung, die um den Verdünnungsfaktor angepasst wurde (Methode 2). Methode 1 erfordert, dass Unbekannte auf die Standardkurve bezogen werden, während Methode 2 ein direktes Maß ist. Die Frage, die ich zu stellen versuche, lautet: Stimmen die gemeldeten Werte mit einem angemessenen Maß an Vertrauen überein?
Betreff: Äquivalenz für 2 Dosis-Wirkungs-Kurven anzeigenDanke für die Erklärung.
Sie müssen die Daten nicht nach Mittelwert und Standardabweichung zusammenfassen. JMP wird das für Sie tun. Bitte befolgen Sie dieses Verfahren anhand Ihrer Originaldatentabelle.
1. Stellen Sie sicher, dass die theoretischen Kopien und die Messdatenspalten den nominalen Modellierungstyp verwenden. (Ich denke, dass sie es tun.) Stellen Sie sicher, dass die gemessenen Kopien den kontinuierlichen Modellierungstyp verwenden.
2. Wählen Sie Analysieren> Y nach X anpassen. Weisen Sie der Y-Rolle Kopien zu. Weisen Sie der X-Rolle die Messung zu. Ordnen Sie der Rolle By theoretische Kopien zu. OK klicken.
3. Jetzt haben Sie für jede theoretische Ebene eine separate Kopie gegen Maß. Halten Sie die Steuertaste unter Windows oder die Befehlstaste unter Macintosh gedrückt, klicken Sie auf das rote Dreieck neben dem oberen Umriss und wählen Sie Äquivalenztest. Sie müssen die Differenz eingeben, die als die größte angesehen wird, aber praktisch immer noch dieselbe ist. Angenommen, die gemessenen Kopien für die theoretische Stichprobe = 0,3 liegen innerhalb von 1, geben Sie 1 ein und klicken Sie auf OK:
JMP aktualisiert die erste Analyse:
In dieser Demonstration ist der beobachtete Unterschied statistisch nicht äquivalent.
4. Wiederholen Sie den letzten Schritt für jede Probe.
Hier ist das nächste Beispiel:
Diese Stichprobe ist statistisch äquivalent.
Bitte sehen diese Dokumentation im Hilfesystem.
