Ri: test di parallelismo per gruppi di curve 4PLC'è molto da disfare qui. Ma ... per rispondere alla tua domanda su "Se c'è un valore anomalo (una risposta non parallela) ... questo influisce sull'intero output? ". Sì, un cattivo attore può rifiutare (p-value <0,05, diciamo). il tuo test di parallelismo.E, FWIW, questo è il "vecchio" modo di determinare il parallelismo.Il modo più appropriato è testare l'equivalenza tra i parametri del modello (per il parallelismo nel modello logistico 4p, questo è il tasso di crescita e gli asintoti). Questo può essere fatto tramite l'opzione Test di equivalenza nel menu a discesa del triangolo rosso dei risultati della curva di adattamento. Qui puoi anche definire i tuoi limiti di equivalenza per il rapporto (Decision Limits come vengono chiamati nella piattaforma Fit Curve). Se lo desideri, puoi guardare tutti i confronti a coppie (attenzione: se hai 20 curve, cioè 190 confronti a coppie) se esegui il test di equivalenza più volte poiché devi scegliere una curva di riferimento (il riferimento sarà nel denominatore di tutti intervalli di confidenza per i rapporti). Il test di equivalenza verifica l'equivalenza pratica (rapporto entro i limiti di decisione) piuttosto che una differenza (come testato tramite il valore p per il parallelismo). cioè, "le curve sono 'abbastanza parallele' in modo tale che eventuali differenze non abbiano alcun significato pratico?" è la domanda appropriata, piuttosto che "sono diversi"?.Come ho detto, c'è molto da disfare qui; c'è un sacco di informazioni là fuori sui test per il parallelismo, e vedi allegato per una spiegazione abbastanza leggibile sui dettagli.
Ri: test di parallelismo per gruppi di curve 4PLPer disimballare questo un po 'di più; se hai 20 curve da confrontare per il parallelismo, solo la dimensione del campione aumenterà così tanto la tua potenza (concludendo correttamente che non sono parallele), che potresti ottenere un valore p basso (<0,05, diciamo) quando le differenze tra il curve è minuscolo (reale, ma minuscolo e privo di significato).Questo a volte è chiamato un esperimento sopraffatto; cioè, in generale, se si dispone di dati sufficienti, si aumentano le possibilità di rifiutare l'ipotesi nulla (l'ipotesi nulla qui è che le curve sono parallele) perché campioni di grandi dimensioni possono identificare piccole (e forse trascurabili) differenze. Questa è un'altra buona ragione per non usare quel metodo per testare il parallelismo.
Ri: test di parallelismo per gruppi di curve 4PLCome minimo, la questione delle curve parallele è un controllo che il legame di un campione sconosciuto è lo stesso del legame di un campione noto. Qual è lo standard in ogni sottoinsieme? Qual è la natura del resto del sottoinsieme? Gli altri campioni dello stesso analita sono a concentrazioni sconosciute? Sono saggi replicati?
Test di parallelismo per gruppi di curve 4PLCiao a tutti,
Ho quella che potrebbe essere una domanda molto ingenua: è valido eseguire test di parallelismo su un gruppo di curve indipendenti (4PL in questo caso) contemporaneamente?
Ho un sottoinsieme di dati sulla potenza in cui tutti gli adattamenti individuali sono buoni.valori p sia per il test F che per il Chi quadrato ben al di sotto di 0,05 ... quindi il test indica non parallelismo.Ora ... quello che mi chiedo, è qualcosa che deve essere fatto su basi a coppie (cioè, in modo iterativo)?Se c'è un valore anomalo (una risposta non parallela) ... questo ha un impatto sull'intero output?Ho circa 20 curve in ogni sottoinsieme.
Grazie in anticipo!
Chris
Miscelazione e pulizia dei datiQualità e ingegneria di processo
