Re: Parallelitätstest für Gruppen von 4PL-KurvenHier gibt es viel auszupacken. Aber ... um Ihre Frage zu beantworten: "Wenn es einen Ausreißer gibt (eine nicht parallele Antwort) ... wirkt sich dies auf die gesamte Ausgabe aus? ". Ja, ein schlechter Akteur kann ablehnen (z. B. p-Wert < 0,05). Ihr Parallelitätstest.Und, FWIW, das ist die "alte" Art, Parallelität zu bestimmen.Am geeignetsten ist es, die Äquivalenz zwischen Modellparametern zu testen (für Parallelität im 4p-Logistikmodell sind dies Wachstumsrate und Asymptoten). Dies kann über die Option Äquivalenztest im roten Dreieck-Pulldown-Menü der Fit-Kurven-Ergebnisse erfolgen. Darin können Sie auch Ihre Äquivalenzgrenzen für das Verhältnis definieren (Entscheidungsgrenzen, wie sie in der Fit Curve-Plattform genannt werden). Wenn Sie möchten, können Sie sich alle paarweisen Vergleiche ansehen (Achtung: bei 20 Kurven sind das 190 paarweise Vergleiche), wenn Sie den Äquivalenztest mehrmals durchführen, da Sie eine Referenzkurve auswählen müssen (Referenz steht im Nenner aller Konfidenzintervalle für Kennzahlen). Äquivalenztests testen auf praktische Äquivalenz (Verhältnis innerhalb der Entscheidungsgrenzen) und nicht auf Unterschiede (getestet über den p-Wert auf Parallelität). dh "sind die Kurven 'parallel genug', so dass Unterschiede keine praktische Bedeutung haben?" ist die angemessene Frage, anstatt "sind sie anders"?.Wie gesagt, hier gibt es viel auszupacken; Es gibt eine Menge Informationen zum Testen auf Parallelität, und im Anhang finden Sie eine ziemlich lesbare Erklärung zu den Details.
Re: Parallelitätstest für Gruppen von 4PL-KurvenUm dies etwas weiter auszupacken; Wenn Sie 20 Kurven auf Parallelität vergleichen müssen, erhöht allein die Stichprobengröße Ihre Trennschärfe (korrekter Schluss, dass sie nicht parallel sind) so sehr, dass Sie möglicherweise einen niedrigen p-Wert (z. B. <0,05) erhalten, wenn die Unterschiede zwischen den Kurven ist winzig (echt, aber winzig und bedeutungslos).Dies wird manchmal als übertriebenes Experiment bezeichnet; dh im Allgemeinen, wenn Sie genügend Daten haben, erhöhen Sie die Wahrscheinlichkeit, die Nullhypothese abzulehnen (die Null hier bedeutet, dass die Kurven parallel sind), da große Stichprobenumfänge kleine (und vielleicht vernachlässigbare) Unterschiede identifizieren können. Dies ist ein weiterer guter Grund, diese Methode nicht zum Testen der Parallelität zu verwenden.
Re: Parallelitätstest für Gruppen von 4PL-KurvenZumindest ist die Frage nach parallelen Kurven eine Überprüfung, ob die Bindung einer unbekannten Probe dieselbe ist wie die Bindung einer bekannten Probe. Was ist der Standard in jeder Teilmenge? Welcher Art ist der Rest der Teilmenge? Sind die anderen Proben desselben Analyten in unbekannten Konzentrationen? Handelt es sich um Wiederholungsassays?
Parallelitätstest für Gruppen von 4PL-KurvenHallo alle,
Ich habe eine möglicherweise sehr naive Frage: Ist es zulässig, gleichzeitig Parallelitätstests für eine Gruppe unabhängiger Kurven (in diesem Fall 4PL) durchzuführen?
Ich habe eine Teilmenge von Potenzdaten, bei denen alle individuellen Anpassungen gut sind.Die p-Werte sowohl für den F-Test als auch für das Chi-Quadrat liegen deutlich unter 0,05 ... der Test weist also auf Nichtparallelität hin.Nun ... was ich mich frage, ist dies etwas, das paarweise (dh iterativ) durchgeführt werden muss?Wenn es einen Ausreißer gibt (eine nicht parallele Antwort), hat dies Auswirkungen auf die gesamte Ausgabe?Ich habe ungefähr 20 Kurven in jeder Teilmenge.
Vielen Dank im Voraus!
Chris
Datenmischung und -bereinigungQualitäts- und Verfahrenstechnik
