Aide à l'analyse probitSalut tout le monde,
Un client en génétique m'a envoyé des données anonymisées, il est intéressé à faire une analyse probit.
Il semble qu'ils doivent d'abord déterminer la distribution et utiliser d'une manière ou d'une autre ces informations pour effectuer une analyse probit sur les données.
J'ai un peu de mal à savoir quoi faire pour commencer, quelqu'un peut-il m'aider ?
Voici l'e-mail :
"Voici un tableau anonymisé des résultats pour le traitement LoD :
Concentrations testées
|
Réplicats positifs (N)
|
Nombre total de répétitions (N)
|
5
|
21
|
21
|
1.667
|
20
|
21
|
0,556
|
12
|
21
|
0,185
|
2
|
21
|
0,0062
|
4
|
21
|
Pour la détermination de la LoD, nous aimerions savoir quel modèle de prédiction nous devrions utiliser lors de l'exécution de l'analyse probit. Avant d'utiliser JMP, nous utilisions Minitab qui offrait les modèles de prédiction Weibull, LogNormal et LogLogistic et nous n'avons pas pu les trouver sur JMP. "
Merci.
Élodie
Re : Aide à l'analyse probitBonjour Élodie,
Fit Curve ou Fit GLMM feront une partie de ce qu'ils recherchent - un mélange de modèles de croissance Probit, Logit et Weibull (voir les scripts dans le tableau ci-joint). Je me demande si les deux autres options sont réalisées avec une transformation logarithmique de la variable de concentration, puis en appliquant les modèles Probit/Logistique ?
Malcom
Re : Aide à l'analyse probitVous pouvez utiliser GLM dans Fit Model pour ajuster un probit avec des erreurs binomiales.
Re : Aide à l'analyse probitRemarque : GLMM aura le lien probit pour la distribution binomiale (qui est vraisemblablement ce qu'ils ont lorsqu'ils ont N positifs sur N répliques) dans JMPPro 18. La distribution log-normale a également été ajoutée à GLMM dans la v18.
Mais comme il semble qu'ils n'aient pas de caractéristiques d'effet aléatoire nécessitant un modèle mixte (à partir de cet échantillon de table de données), @jiancao Le pointeur vers GLM fonctionnerait probablement et est disponible dès maintenant.
Re : Aide à l'analyse probitMerci beaucoup @malcolm_moore1 , @eclaassen et @jiancao , c'était vraiment utile.
