Hola,
Estoy tratando de modelar los datos para cada tratamiento por separado, para que xey predigan el valor correspondiente a x de y/100 = 0,5 y el punto de inflexión de la curva logística generada. Quiero un modelo logístico con 2P porque assyp. se conoce (1).
Para hacer esto, por recomendación de un miembro del personal (muchas gracias), estoy probando dos formas diferentes: usando GLMM en Fit Model y la plataforma no lineal.
Empezando por el problema que estoy teniendo en GLMM, tengo varias dudas al respecto:
1. ¿Cómo puedo saber el punto de inflexión de esa curva? No encontré una opción de menú para mostrarlo.
2. El error estándar. Usando la distribución binomial (he buscado sobre ella, y para proporciones creo que es la mejor opción, pero no estoy seguro) el error es tan alto en el tratamiento C (uno de los problemas iniciales), pero también en el tratamiento A ( No tuve este problema antes). ¿La distribución que he elegido es el principal problema?
3. Finalmente, usando la distribución binomial, en muchos tratamientos la probabilidad Chisqr no es significativa para el “modelo”, pero las estadísticas de bondad de ajuste tienen un buen valor (lo encontré en una respuesta de JMP en una publicación de la comunidad). ¿Con este valor de Chisqr el modelo tiene un buen resultado?
Respecto a la forma de modelar con la plataforma no lineal, como podéis ver en los scripts, he probado ecuaciones con distinta parametrización (y Log2P de JMP) pero tengo un problema al pulsar 'Go'. El resultado no se ajusta a la curva que quiero y creo que puede deberse a los valores iniciales de los parámetros. ¿Existe alguna forma de estimar este valor inicial para evitar este error? Además, cuando intento hacer una predicción inversa personalizada, falla.
Adjunto en esta publicación un conjunto de datos anónimo de los valores. El objetivo es obtener un buen resultado para lo que he intentado en los scripts, a pesar de las limitaciones de datos.
Gracias de antemano.
Hola Kaik,
Gracias por tus preguntas.
- Para una curva de regresión binomial, el punto de inflexión es el punto con una probabilidad de 0,5 (que ya encontró usando la función de predicción inversa).
- No creo que la distribución que haya elegido sea el problema, sino que podría ser la escasez de datos. Puede obtener mejores resultados si marca la casilla "Estimaciones ajustadas por sesgo de Firth" en la ventana Ajustar modelo. Aquí hay una publicación de @Mark_Bailey que brinda algunos antecedentes.
- No entiendo la pregunta. ¿Quizás alguien más en la comunidad tenga una idea, o quizás usted podría reformularlo?
Con respecto a la pregunta no lineal, es posible que tenga más suerte con la plataforma Fit Curve, donde puede ver puntos de inflexión, realizar pruebas de equivalencia, comparar paralelismos, etc. Adjunté un script de Fit Curve a su tabla de datos original.
Hola @Kaik
Si quieres encontrar el punto de inflexión de la curva, puedes tomar la primera derivada.
Obtener derivadas de primer orden
Consulte la documentación de ayuda para obtener detalles adicionales: Ayuda-->Buscar JMP
Hola @stan_koprowski : Estableciendo la segunda derivada (wrt x) = 0, luego resolviendo x obtendrás el punto de inflexión...
Hola Jed,
¡Gracias por tu respuesta! Probaré con el segundo punto que me has propuesto. El tercer punto se trata de los parámetros que nos proporciona JMP para decir si la curva está ajustada o no, y cómo interpretarla.
