Zebrałem dane psychofizjologiczne mierzące zdolność badanych (dwóch grup) do postrzegania wibracji. Wibrująca sonda porusza się po skórze przy coraz mniejszych przemieszczeniach, a pacjent wskazuje, kiedy odczuwa wibrację. Niestety, przy wysokich częstotliwościach sonda może poruszać się tylko na niewielką odległość, a czasami największa odległość, na którą sonda może się poruszać, wciąż nie jest wystarczająco duża, aby podmioty mogły ją dostrzec. Tak więc mam dokładne wartości progowe dla niektórych pacjentów, ale dla tych, którzy nigdy nie odczuwali wibracji, po prostu mam wartość, o której wiem, że ich próg jest większy niż. Czy jest jakiś sposób, aby nadal uwzględnić te dane? A jaki jest najlepszy sposób na jego analizę?
12
Odpowiedzi:
Lubię używać heterogenicznych modeli mieszanin do opisywania połączonych efektów z zasadniczo różnych źródeł.
Możesz spojrzeć na coś w rodzaju modelu „Zero Inflated Poisson” w stylu Diane Lambert. „ Zero napompowana regresja Poissona z zastosowaniem do wad produkcyjnych ”, Diane Lambert, Technometrics, tom. 34, Iss. 1, 1992
Uważam ten pomysł za szczególnie zachwycający, ponieważ wydaje się on zaprzeczać poglądowi, że zastosowanie statystycznego projektu eksperymentów w medycynie nie może w pełni wyleczyć choroby. Stoi za tym pogląd, że metoda naukowa nie może zrealizować swojego celu w medycynie, wynika z faktu, że nie ma danych o chorobach od „doskonale” zdrowej osoby i dlatego dane nie mogą pomóc w zaradzeniu chorobie. Bez pomiaru nie ma miejsca na poprawę.
Użycie czegoś w rodzaju modelu z zerowym napełnieniem pozwala wydobyć przydatne informacje z danych, które są częściowo „wolne od błędów”. Wykorzystuje wgląd w proces, aby wziąć informacje, które można by uznać za „milczące” i zmusić je do wypowiedzenia się. Dla mnie jest to coś, co próbujesz zrobić.
Teraz nie mogę zacząć twierdzić, jakich kombinacji modeli użyć. Podejrzewam, że możesz użyć zerowego napełnionego modelu mieszanki Gaussa (GMM) na początek. GMM jest trochę empirycznym uniwersalnym aproksymatorem ciągłych plików PDF - podobnie jak kuzyn PDF z aproksymacji serii Fouriera, ale ze wsparciem centralnego twierdzenia granicznego w celu poprawy globalnego zastosowania i dopuszczenia zwykle o wiele mniejszej liczby komponentów w celu uzyskania „ dobre ”zbliżenie.
Powodzenia.
EDYTOWAĆ:
Więcej na temat modeli z zerowym napełnieniem:
źródło
Grupowanie wyników i definiowanie skali może być rozwiązaniem.
Utwórz zmienną kategorii w taki sposób (lub inaczej):
Możesz użyć tej zmiennej do wykonania analizy, ale to, czy wyniki są znaczące, zależy od tego, jak dobrze zdefiniujesz kategorie.
źródło