458358_it-IT

liliconcom

t-test accoppiato con dati censurati

Salve, ho dati di conteggio microbico (log 10) censurati. Il desiderio è di confrontare un periodo di test con una baseline e determinare se c'è una riduzione statisticamente significativa nei conteggi microbici. Da quello che vedo, solo Gen Reg può fare dati censurati e usare un fattore di blocco. Il fattore di blocco è l'unico modo che mi viene in mente per collegare i risultati di test e baseline accoppiati. Ma sembra che non abbia abbastanza gradi di libertà per eseguire il test? E i blocchi non hanno senso per me, nel modo in cui JMP li ha interpretati? Qualche suggerimento?

Condivisione e comunicazione dei risultatiRi: test t accoppiato con dati censurati

Grazie Peng, capisco la tua soluzione ed è esattamente quello che stavo cercando.Inoltre, la mia formulazione precedente era un po' vaga: stavo cercando di dire che Gen Reg funziona con dati censurati, ma non con dati accoppiati.saluti, Paolo

Ri: test t accoppiato con dati censurati

Grazie per aver corretto i dati. Credo di aver capito meglio il problema.

Innanzitutto, lasciatemi rispondere all'ultima domanda. Se fornisci una colonna Censor, il software presuppone che indichi la censura corretta utilizzando il codice Censor di tua scelta nella finestra di dialogo di avvio. Questa è la convenzione seguita da tutte le piattaforme JMP che prevede la censura. Se vuoi esprimere diversi tipi di censura, ad esempio Left Censoring, devi seguire una convenzione per creare dati in modo diverso. Questo discorso potrebbe essere il più utile: Introduzione all'analisi dei dati censurati .

Non riesco a trovare che GenReg supporti il paired-test nella documentazione. Lo apprezzerò, se puoi indicare la posizione. D'altra parte, userò altri strumenti per affrontare questo problema.

Per prima cosa ho diviso i dati per formarne uno nuovo:

E questo è il risultato:

Se si fosse eseguito un test t accoppiato, se nessun dato è censurato, si calcolerebbero prima le differenze a coppie delle singole righe. Quindi la domanda diventa se le differenze non sono diverse da zero. Ma abbiamo dati censurati. Presumo la giusta censura in avanti. In caso contrario, modificare il calcolo di conseguenza.

Innanzitutto, creerò una colonna come Test - Base, come si farebbe per il t-test accoppiato.

Ora guarda i valori, cioè le differenze, e pensa cosa significano. Guarda la prima riga: 4,91 - 5,54 = -0,635583025471626. Qui 5.54 è censurato, il che significa che il valore effettivo è maggiore di 5.54. Quindi la differenza effettiva sarà inferiore a -0,635583025471626. Pertanto, questo rende -0.635583025471626 un'osservazione censurata a sinistra.

E la stessa logica si applica a tutte le righe in cui le osservazioni di Base sono censurate. Se le osservazioni di Base non sono censurate, le differenze sono valori esatti.

Ora crea due nuove colonne, come detto qui: Introduzione all'analisi dei dati censurati .

Per le singole righe, se Left è mancante, Right no, ovvero un'osservazione censurata a sinistra. Se sia Sinistra che Destra non mancano e sono uguali, questa è un'osservazione esatta. Usa la distribuzione della vita come segue:

Quindi adatta una distribuzione e Normale mi sembra buono.

Ora la domanda diventa se la stima del parametro di posizione è significativamente diversa da zero. Se la risposta è sì, allora i due gruppi sono significativamente diversi. No, altrimenti. In questo esempio, supponendo che ho indovinato corretto che la censura nei dati significa censura corretta, allora due gruppi non sembrano significativamente diversi. Se avessi indovinato in modo errato, il tipo di censura delle differenze sarebbe stata la censura corretta. Quindi modificare i passaggi di conseguenza.

 

Ri: test t accoppiato con dati censurati

come Peng, grazie - la mia logica è errata per etichettare le osservazioni come "Y" o "N" nella colonna Censored. "Y" dovrebbe verificarsi dove Periodo = Base e TSA.Count.L10 = 5,54.La formula che ho usato è sotto.Ma ora mi rendo conto che non funziona, quindi ho semplicemente codificato a mano i dati censurati.inoltre, quando ho impilato i dati, in qualche modo ho creato tutti i valori Base = 5,54, il che non è corretto.Probabilmente l'ho fatto quando stavo cercando di scrivere la formula Censor.

 

La ragione del fattore di blocco è che si tratta in realtà di un t-test accoppiato.Il confronto è TSA.Count.L10 per la base rispetto al periodo di prova, all'interno di ciascuna apparecchiatura, ad esempio all'interno della macchina per il ghiaccio + coperchio.Userei direttamente la piattaforma T-test accoppiata, ma non tiene conto dei dati censurati.Gen Reg lo fa.I blocchi poi designano i confronti accoppiati, almeno questa era la mia speranza.

 

Domanda: i dati sono censurati a destra: come fa la piattaforma Gen Reg a sapere da che parte si trova la censura?

If( :Period == "Base" & (:TSA.Count.L10 == 5.54),
 "Y",
 "N"
)

Ri: test t accoppiato con dati censurati

Partiamo dai tuoi dati. Ha dei problemi.

Secondo la tua dichiarazione del desiderio, ho fatto un confronto delle stime di distribuzione non parametriche dei due periodi.

E questo è il risultato:

capisci il problema? Il periodo base non ha una stima non parametrica.

Questo tabula i tuoi dati per Periodo vs Censore. E sembra che tutte le tue osservazioni del periodo Base siano censurate. Le osservazioni del periodo di prova non lo sono.

Questo è un grafico a punti dei tuoi dati, colorato per Periodo. Tutte le osservazioni di Base hanno lo stesso valore.

Supponiamo che i dati non abbiano problemi di cui sopra. Ora la domanda è: se vuoi confrontare i due periodi, perché aggiungi Block? È una variabile esplicativa che può descrivere le differenze tra i due periodi? La decisione di inserirla nel modello non dovrebbe dipendere dalla possibilità di produrre una statistica. Quindi suggerisco semplicemente di rimuovere Block dal tuo modello e vedere se i risultati hanno senso per te, supponendo che i dati siano buoni.

Oltre a GenReg, altre due piattaforme possono aiutarti a studiare i dati con osservazioni censurate con variabili di raggruppamento: Life Distribution con raggruppamento (prima schermata sopra) e Fit Life di X. I due potrebbero essere più appropriati, se tutto ciò di cui hai bisogno è confrontare gruppi di osservazioni.

Ma alla fine, i tuoi dati hanno seri problemi. Si prega di non eseguire il bulldozer dei dati eseguendo il software e sii soddisfatto del risultato. Potrebbe essere pericoloso.