Re : Test de parallélisme pour les groupes de courbes 4PLIl reste beaucoup à déballer ici. Mais... pour répondre à votre question sur "S'il y a une valeur aberrante (une réponse non parallèle)... cela a-t-il un impact sur l'ensemble de la sortie ? ". Oui, un mauvais acteur peut rejeter (valeur p < 0,05, disons). votre test de parallélisme.Et, FWIW, c'est la "vieille" façon de déterminer le parallélisme.Le moyen le plus approprié consiste à tester l'équivalence entre les paramètres du modèle (pour le parallélisme dans le modèle logistique 4p, il s'agit du taux de croissance et des asymptotes). Cela peut être fait via l'option Test d'équivalence dans le menu déroulant du triangle rouge des résultats de la courbe d'ajustement. Vous pouvez également y définir vos limites d'équivalence pour le ratio (Decision Limits comme on les appelle dans la plate-forme Fit Curve). Si vous le souhaitez, vous pouvez regarder toutes les comparaisons par paires (attention : si vous avez 20 courbes, soit 190 comparaisons par paires) si vous faites plusieurs fois le test d'équivalence puisqu'il faut choisir une courbe de référence (la référence sera au dénominateur de toutes intervalles de confiance pour les ratios). Les tests d'équivalence testent l'équivalence pratique (rapport dans les limites de décision) plutôt qu'une différence (telle que testée via la valeur p pour le parallélisme). c'est-à-dire, "les courbes sont-elles 'suffisamment parallèles' pour que toute différence n'ait aucune signification pratique?" est la question appropriée, plutôt que "sont-ils différents" ?.Comme je l'ai dit, il y a beaucoup à déballer ici; il y a une foule d'informations sur les tests de parallélisme, et voir ci-joint pour une explication assez lisible sur les détails.
Re : Test de parallélisme pour les groupes de courbes 4PLPour décompresser un peu plus loin; si vous avez 20 courbes à comparer pour le parallélisme, seule la taille de l'échantillon augmentera votre puissance (en concluant correctement qu'elles ne sont pas parallèles) tellement, que vous pouvez obtenir une faible valeur p (<0,05, par exemple) lorsque les différences entre les les courbes sont minuscules (réelles, mais minuscules et dénuées de sens).C'est ce qu'on appelle parfois une expérience maîtrisée; c'est-à-dire qu'en général, si vous avez suffisamment de données, vous augmentez les chances de rejeter l'hypothèse nulle (le nul ici est que les courbes sont parallèles) car de grands échantillons peuvent identifier de petites différences (et peut-être négligeables). C'est une autre bonne raison de ne pas utiliser cette méthode pour tester le parallélisme.
Re : Test de parallélisme pour les groupes de courbes 4PLAu minimum, la question des courbes parallèles est une vérification que la liaison d'un échantillon inconnu est la même que la liaison d'un échantillon connu. Quelle est la norme dans chaque sous-ensemble ? Quelle est la nature du reste du sous-ensemble ? Les autres échantillons du même analyte sont-ils à des concentrations inconnues ? S'agit-il de tests répétés ?
Test de parallélisme pour les groupes de courbes 4PLBonjour à tous,
J'ai ce qui peut être une question très naïve : est-il valide de faire des tests de parallélisme sur un groupe de courbes indépendantes (4PL dans ce cas) en même temps ?
J'ai un sous-ensemble de données de puissance où tous les ajustements individuels sont bons.p valeurs pour le test F et le Chi carré bien en dessous de 0,05 ... donc le test indique un non-parallélisme.Maintenant ... ce que je me demande, est-ce quelque chose qui doit être fait par paires (c'est-à-dire de manière itérative) ?S'il y a une valeur aberrante (une réponse non parallèle)... cela a-t-il un impact sur l'ensemble de la sortie ?J'ai environ 20 courbes dans chaque sous-ensemble.
Merci d'avance!
Chris
Fusion et nettoyage des donnéesIngénierie de la qualité et des procédés
