Dr. Frank Yang 问答专帖

brainchip

理论上，acid和electri对capacity都有影响，上面的数据是应用响应曲面的方法进行设计得出的，因此我在下面的分析中先应用了最小二乘法，模型的分析结果如下：




模型的p值为0.0428，但是却显著的失拟合，p值为0.0016，并且从下面的参数分析来看仅有acid和electri的交互作用是显著的，




以前您告诉过我JMP应用的是strong heredity restriction，那么由于这两个因子单独的作用都不显著，这两个因子的交互作用就不应该在模型中存留，这样一来，整个的模型就没有显著的参数项了，因此我接下来试着用generalized linear model做了分析，对比了两种分析方法；

brainchip

下面是应用generalized linear model 对模型分析的结果：


从这个结果来看，同理论的基本相符，各个参数都是显著的，但是有失拟合现象，Pearson和Deviance的p值都小于0.0001，不知道问题出在了那里，该如何对这个数据作分析呢？

brainchip

此外对比应用generalized linea model 的残差图，如下，好像也比应用最小二乘法分析的残差好一点，不知我对残差的这个结论对么？谢谢您！

思源致远

brainchip 发表于 2014-1-3 15:37
杨老师，谢谢您的回复，我在分析下面的数据时应用了generalized linear model，对比standard least square ...

你的Capaciy 是什么样的物理量？请解释一下。

brainchip

杨老师，您好，这个capacity 是蛋白质在纯化中用到的物理量，表示的是蛋白质对吸附配基的亲和力，谢谢您！

思源致远

它应该是连续变量吧？那又为什么是整数？ 该相响应变量的分布特性你知道吗？我们必须了解这些才能选好合适的分析方法。 另外你为什么考虑用log的link function？过去做个类似的DOE及其数据分析吗？

brainchip

杨老师，您好，响应变量确实是连续变量，整数是因为我做了四舍五入，这个变量的分布特性应该是正态分布的。
对比文献中的例子，一般的对该变量的分析应用的是最小二乘法，文献中对我这组数据中所选的两个因子都认为是显著的，理论上也是这样的。
在我的分析中，选用log的link function是因为我在分析这一组数据的时候，发现应用最小二乘法得出的结论不太合乎理论，而应用广义线性模型时，我觉得对响应做下对数变换后，应该不太会影响响应的分布情况，而且用模型来解释变换后的响应发现同理论也完全相符。
但是我对这么分析不是很有把握，也不知道在面临类似的情况时应该注意哪些情况，还麻烦杨老师多多指教，谢谢您！

思源致远

我对你的数据也用JMP的standard least square 分析了一下,发现残差有些喇叭形。在改用GLM, Log as link function，假定正态分布 后，模型比较健康（AICc也更小，残差也更随机）。结果的模型与你一致。 不过，如果能够replicate一次整个试验后将数据合起来再分析一次，能得到验证就更好，因为这是一个重要的模型区别，即响应变量需要做log 转换是一个重要区别。
另外确定是正态分布也是很重要的一步，不知道你是否做过单一条件重复试验验证过这点。 总之， 重要的决定需要谨慎小心为好。如有新的问题，我们再继续讨论。

brainchip

谢谢杨老师，我们目前还没有做过验证，不过如果结果可用，那么验证一定会做的。再次感谢您的解答，祝您周末愉快！

思源致远

根据我的经验，有时标准最小二乘法建模不好是因为有少数实验条件有问题，重复性非常差。 在调整实验区域后的建模就非常成功了，预告也非常准确。你如果目前没有时间去验证这一点，急着需要用GLM模型预告找到一个优化的结果的话，你可以先去这样做。如果预告误差较大，就要考虑我刚才提到的情况。
祝你实验顺利！