Windows 11 > JMP 19 > Ajuster le modèle > Moindres carrés standard > Comment gérer une distribution de données inhabituelle ?Bonjour la communauté JMP,
Je travaille avec des comptages cellulaires issus de biopsies tissulaires présentant une distribution inhabituelle : certaines biopsies ne contiennent aucune cellule (comptage nul), tandis que d’autres présentent de faibles pourcentages (voir exemple ci-dessous). Une simple transformation Root Cube permet d’obtenir une distribution acceptable des comptages non nuls, mais la distribution globale des données transformées reste biaisée vers zéro.
Comme prévu, si j'utilise ces données dans un modèle d'ajustement par les moindres carrés standard, les résidus ne suivent pas une distribution normale (voir ci-dessous).
Que recommanderiez-vous pour tester si ces effectifs cellulaires sont associés à de multiples covariables, y compris les interactions ?
Remarques :
- L'absence de cellules (nombre nul) a une signification scientifique.
- Je ne peux pas facilement partager les données réelles en raison de leur caractère sensible.
Merci.
Cordialement,
TS
Modélisation statistique avancéeAnalyse et modélisation de données de baseFusion et nettoyage des donnéesRe: Windows 11 > JMP 19 > Modèle d'ajustement > Moindres carrés standard > Comment gérer une distribution de données inhabituelle ?Salut @Thierry_S ,
Disposez-vous de JMP Pro ? Grâce aux modèles de régression généralisée, vous pouvez spécifier l’une des distributions à excès de zéros .
Je pense qu'une distribution de Poisson à excès de zéros pourrait convenir à vos données brutes de comptage. Si vous utilisez JMP, vous pourriez peut-être diviser votre modélisation en deux parties :
- Déterminer quand le résultat est égal à 0 ou différent de 0 (distribution binomiale)
- Lorsque les résultats diffèrent de 0, un modèle de moindres carrés standard est utilisé. Il est possible d'appliquer une transformation aux données brutes (si nécessaire !) comme la transformation de Box-Cox.
J'espère que cette suggestion pourra vous aider.
Re: Windows 11 > JMP 19 > Modèle d'ajustement > Moindres carrés standard > Comment gérer une distribution de données inhabituelle ?Cher Victor,
Merci de votre aide concernant ce problème. Malheureusement, je n'ai pas accès à JMP Pro pour le moment. J'ai cependant accès au modèle linéaire généralisé de JMP 19 « Basic », mais la distribution de Poisson ne semble pas convenir à toutes les données. En effet, lorsque le type cellulaire est plus abondant, la distribution de la sous-population non nulle tend à se rapprocher d'une distribution normale.
Je me demande si le regroupement des données sous forme de variable ordinale pourrait être utile ici ?
Meilleur,
TS
Re: Windows 11 > JMP 19 > Modèle d'ajustement > Moindres carrés standard > Comment gérer une distribution de données inhabituelle ?Oui, je diviserais la tâche en deux parties :
1. Déterminer quand le résultat est égal à 0 ou différent de 0 (distribution binomiale)
2. Lorsque les résultats sont différents de 0, un modèle de moindres carrés standard est utilisé. Il est possible d'appliquer une transformation aux données brutes (si nécessaire !) comme la transformation de Box-Cox.
Meilleur,Re: Windows 11 > JMP 19 > Modèle d'ajustement > Moindres carrés standard > Comment gérer une distribution de données inhabituelle ?Sans expertise métier, il est difficile de répondre. Premièrement, à quelles questions cherchez-vous à répondre ? Deuxièmement, quelle est la source des données ? Troisièmement, quel est votre niveau de confiance dans le système de mesure ? Existe-t-il d'autres mesures possibles ? Êtes-vous certain de la cohérence du processus de prélèvement des biopsies ? Quel est le modèle que vous cherchez à ajuster ? Si vous segmentez les données (comme suggéré par Victor), vous devez vous demander si différents facteurs influencent le nombre de cellules par rapport aux facteurs n'ayant aucun effet. Si tel est le cas, il serait logique d'avoir les deux variables Y (deux catégories, binomiale) et le nombre de cellules en continu pour les données.
