Я собрал психофизиологические данные, измеряющие способность испытуемых (двух групп) воспринимать вибрацию. Вибрирующий зонд перемещается к коже при меньшем и меньшем смещении, и субъект указывает, когда он чувствует вибрацию. К сожалению, на высоких частотах датчик может перемещаться только на небольшое расстояние, и иногда наибольшее расстояние, которое может перемещать датчик, все еще недостаточно велико для восприятия испытуемыми. Таким образом, у меня есть точные пороговые значения для некоторых предметов, но для тех, кто никогда не чувствовал вибрации, у меня просто есть значение, которое я знаю, что их порог больше, чем. Могу ли я по-прежнему включать эти данные? И как лучше всего это проанализировать?
12
Ответы:
Мне нравится использовать гетерогенные модели смесей для описания комбинированных эффектов из принципиально разных источников.
Вы можете посмотреть на что-то вроде модели «Zero Inflated Poisson» в стиле Дайан Ламберт. " Нулевая инфляция Пуассона, с применением к дефектам в производстве ", Дайан Ламберт, Technometrics, Vol. 34, вып. 1, 1992
Я нахожу эту идею особенно восхитительной, поскольку она противоречит представлению о том, что применение статистического плана экспериментов в медицине не может полностью излечить болезнь. За идеей стоит идея о том, что научный метод не может завершить свое назначение в медицине, исходит из того, что нет данных о заболевании от «совершенно» здорового человека, и поэтому данные не могут дать информацию о лечении заболевания. Без измерения нет места для улучшения.
Использование чего-то вроде модели с нулевым раздуванием позволяет извлекать полезную информацию из данных, которые частично «безошибочны». Он использует понимание процесса, чтобы взять информацию, которую можно считать «безмолвной», и заставить ее говорить. Для меня это то, что вы пытаетесь сделать.
Сейчас я не могу начать утверждать, какие комбинации моделей использовать. Я подозреваю, что вы могли бы использовать модель Гауссовой смеси (GMM) с нулевой раздувкой для начинающих. GMM - это своего рода универсальный эмпирический аппроксиматор для непрерывных PDF-файлов, например, двоюродный брат PDF в приближении ряда Фурье, но с поддержкой центральной предельной теоремы для улучшения глобальной применимости и, как правило, для гораздо меньшего числа компонентов, чтобы сделать " хорошее "приближение.
Удачи.
РЕДАКТИРОВАТЬ:
Подробнее о моделях с нулевым давлением:
источник
Кластеризация результатов и определение масштаба может быть решением.
Создайте переменную категории так (или иначе):
Вы можете использовать эту переменную для анализа, но значимость результатов зависит от того, насколько хорошо вы определите категории.
источник