Windows 11 > JMP 19 > Modell anpassen > Standard-Kleinste-Quadrate-Methode > Wie geht man mit ungewöhnlicher Datenverteilung um?Hallo JMP-Community,
Ich arbeite mit Zellzählungen aus Gewebeproben, die eine ungewöhnliche Verteilung aufweisen: Einige Proben enthalten keine Zellen (Zählwerte null), während andere niedrige Zellanteile aufweisen (siehe Beispiel unten). Eine einfache Wurzel-Kubik-Transformation liefert eine akzeptable Verteilung der von null verschiedenen Zellzahlen, die Gesamtverteilung der transformierten Daten bleibt jedoch nulllastig.
Wie erwartet, sind die Residuen nicht normalverteilt, wenn ich diese Daten in einem Standard-Kleinste-Quadrate-Anpassungsmodell verwende (siehe unten).
Welche Empfehlung würden Sie geben, um zu testen, ob diese Zellzahlen mit mehreren Kovariaten, einschließlich Wechselwirkungen, zusammenhängen?
Anmerkungen:
- Das Fehlen von Zellen (Nullzählungen) ist wissenschaftlich bedeutsam.
- Die eigentlichen Daten kann ich aus Gründen der Vertraulichkeit nicht ohne Weiteres weitergeben.
Danke schön.
Beste grüße,
TS
Fortgeschrittene statistische ModellierungGrundlagen der Datenanalyse und ModellierungDatenzusammenführung und -bereinigungBetreff: Windows 11 > JMP 19 > Modell anpassen > Standard-Kleinste-Quadrate-Methode > Umgang mit ungewöhnlicher Datenverteilung?Hallo @Thierry_S ,
Besitzen Sie JMP Pro? Mithilfe von verallgemeinerten Regressionsmodellen können Sie eine der Zero-Inflated-Verteilungen angeben.
Ich denke, eine Zero-Inflated-Poisson-Verteilung könnte für Ihre Rohdaten der Zählwerte funktionieren. Wenn Sie JMP verwenden, könnten Sie Ihr Modell eventuell in zwei Teile aufteilen:
- Ermitteln, wann das Ergebnis 0 oder ungleich 0 ist (Binomialverteilung)
- Falls die Ergebnisse von 0 abweichen, wird ein Standardmodell der kleinsten Quadrate angepasst. Sie können Ihre Rohdaten bei Bedarf auch transformieren, beispielsweise mit der Box-Cox-Transformation.
Ich hoffe, dieser Vorschlag hilft Ihnen weiter.
Betreff: Windows 11 > JMP 19 > Modell anpassen > Standard-Kleinste-Quadrate-Methode > Umgang mit ungewöhnlicher Datenverteilung?Lieber Victor,
Vielen Dank für Ihre Hilfe bei diesem Problem. Leider habe ich momentan keinen Zugriff auf JMP Pro. Ich kann jedoch das verallgemeinerte lineare Modell in JMP 19 „Basic“ verwenden, aber die Poisson-Verteilung scheint nicht alle Daten abzubilden. Tatsächlich nähert sich die Verteilung der von Null verschiedenen Teilpopulationen bei häufigerem Auftreten des Zelltyps eher einer Normalverteilung an.
Ich frage mich, ob es hier helfen könnte, die Daten als Ordinalvariable zu gruppieren?
Am besten,
TS
Betreff: Windows 11 > JMP 19 > Modell anpassen > Standard-Kleinste-Quadrate-Methode > Umgang mit ungewöhnlicher Datenverteilung?Ja, ich würde die Aufgabe in zwei Teile aufteilen:
1. Ermitteln, wann das Ergebnis 0 oder ungleich 0 ist (Binomialverteilung)
2. Falls die Ergebnisse von 0 abweichen, wird ein Standardmodell der kleinsten Quadrate angepasst. Sie können Ihre Rohdaten bei Bedarf auch transformieren, beispielsweise mit der Box-Cox-Transformation.
Am besten,Betreff: Windows 11 > JMP 19 > Modell anpassen > Standard-Kleinste-Quadrate-Methode > Umgang mit ungewöhnlicher Datenverteilung?Ohne Fachkenntnisse ist die Frage schwer zu beantworten. Erstens: Welche Fragen möchten Sie beantworten? Zweitens: Woher stammen die Daten? Drittens: Wie sicher sind Sie sich des Messsystems? Gibt es alternative Messmethoden? Wie sicher sind Sie, dass die Biopsieentnahme konsistent durchgeführt wird? Welches Modell möchten Sie anpassen? Wenn Sie die Daten aufteilen (wie von Victor vorgeschlagen), müssen Sie sich fragen, ob es unterschiedliche Faktoren gibt, die die Zellzahl beeinflussen, und solche, die keine Zellen hervorrufbar machen. Falls ja, wäre es sinnvoll, die Daten mit zwei Y-Werten (zwei Kategorien, binomial) und kontinuierlichen Zellzahlen zu verwenden.
