Ölçüm aracı nedeniyle tavan etkisi ile nasıl başa çıkılır?


12

Deneklerin (iki grup) titreşimi algılama yeteneğini ölçen psikofizyolojik veriler topladım. Titreşimli bir prob daha küçük ve daha küçük yer değiştirmelerde cilde karşı hareket eder ve özne titreşimi ne zaman hissettiğini gösterir. Ne yazık ki, yüksek frekanslarda, prob sadece kısa bir mesafe hareket edebilir ve bazen probun hareket edebileceği en büyük mesafe, deneklerin algılayabileceği kadar büyük değildir. Bu nedenle, bazı konular için doğru eşik değerlerim var, ancak titreşimi hiç hissetmeyen bazıları için, eşiklerinin daha büyük olduğunu bildiğim bir değere sahibim. Bu verileri hala eklememin bir yolu var mı? Ve bunu analiz etmenin en iyi yolu nedir?


5
Bunlara sansür gözlemleri denir . Nasıl dahil edeceğiniz, yaptığınız istatistiksel analiz türüne bağlıdır.

Ertelenmiş terimi kullanmam dışında Procrastinator'a katılıyorum. Sağ sansürleme adı verilen bir simlar problemine yaklaşım, hayatta kalma analizinde gerçekleşir, burada kesilmiş değeri tutarsınız, ancak değerin tam bir değer mi yoksa sansürlü bir değer mi olduğunu gösteren bir gösterge değişkenine sahiptir. Hayatta kalma analizinde bununla başa çıkmanın basit bir yolu vardır, ancak bunun nedeni bir hayatta kalma eğrisi tahmin ediyor olmanızdır. Burada ortalamaları hesaplamak isteyebilirsiniz. Eğer trucation'ı görmezden gelirseniz, ortalamayı hafife alırsınız. Eğer kesilmiş noktaları atarsanız, ortalamayı hafife alırsınız.
Michael R. Chernick

Kesik değerleri uygun şekilde birleştirmek için eşik değerden daha büyük olduğu göz önüne alındığında prob mesafesi için bir olasılık modeline sahip olmanız gerekir. Daha sonra bu dağılımın ortalamasını alabilir ve ağırlıklandırmanın kesilmiş vakaların oranına göre kesilmiş dağılımın ortalaması ile kesilmemiş değerlerin ortalamasını kullanarak ağırlıklı bir ortalama hesaplayabilirsiniz.
Michael R. Chernick

4
Niteliksiz verileri atmanız durumunda kesilme ne olur. Bunu yapmak istemiyorsun! Cale, bu sansürlenmiş değerlerde bilgi olduğunu ve bunları analiz etmenin bazı standart yolları (ve uyanık olmayanlar için tuzaklar) olduğundan şüpheleniyorsunuz. Ancak iyi bir cevap vermek için ne tür bir analiz aradığınızı bilmemiz gerekir. Özellikle, bu verilerin tedavisi, bir regresyonda bağımlı veya bağımsız değişken olarak görünmelerine bağlı olarak temelde farklıdır. Belki de bunun üzerinde durulabilirdiniz?
whuber

1
Eldeki istatistiksel soru ile ilgisi olmayan küçük detaylar, ancak bilmek yararlı olabilir: Bu tür veriler genellikle “psikofizyolojik” değil (kalp atış hızı veya cilt iletkenlik ölçümleri gibi şeyleri içerir, ancak duyumlar hakkında öznel yargıları içermez) “psikofiziksel” veri olarak adlandırılır. ). Bu aynı zamanda insanların genellikle bu tür verilere nasıl davrandığına dair literatür aramanıza yardımcı olabilir.
Gala

Yanıtlar:


2

Temelde farklı kaynaklardan gelen kombine etkileri tanımlamak için heterojen Karışım Modellerini kullanmayı seviyorum.

Diane Lambert tarzında "Sıfır Şişirilmiş Poisson" modeli gibi bir şeye bakabilirsiniz. " İmalatta Kusurlara Bir Uygulama ile Sıfır Şişirilmiş Poisson Regresyonu ", Diane Lambert, Technometrics, Vol. 34, Sayı. 1, 1992

Bu fikri özellikle hoş buluyorum çünkü deneylerin istatistiksel tasarımının tıbba uygulanmasının hastalığı tam olarak iyileştiremediği fikrine çelişiyor gibi görünüyor. Kavramın arkasında, bilimsel yöntemin tıptaki amacını tamamlayamadığı fikri, "mükemmel" sağlıklı bir kişiden hastalık verisi olmadığı ve bu nedenle verilerin hastalığın tedavisini bilgilendiremeyeceği fikrinden kaynaklanmaktadır. Ölçüm olmadan iyileştirilecek alan yoktur.

Sıfır şişirilmiş model gibi bir şey kullanmak, kişinin kısmen "hatasız" olan verilerden faydalı bilgiler elde etmesini sağlar. "Sessiz" olarak düşünülebilecek bilgileri alıp konuşmasını sağlamak için sürece ilişkin içgörüyü kullanıyor. Bana göre bu yapmaya çalıştığınız bir şey.

Şimdi hangi model kombinasyonlarını kullanacağımı iddia etmeye başlayamıyorum. Yeni başlayanlar için sıfır şişirilmiş bir Gauss Karışım Modeli (GMM) kullanabileceğinizden şüpheleniyorum. GMM, sürekli PDF'ler için, Fourier Serisi yaklaşımının PDF kuzeni gibi, ancak küresel uygulanabilirliği geliştirmek ve genellikle daha az sayıda bileşene izin vermek için merkezi sınır teoreminin desteğiyle ampirik bir evrensel yaklaşıklaştırıcıdır. iyi "yaklaşım.

İyi şanslar.

DÜZENLE:

Sıfır şişirilmiş modeller hakkında daha fazla bilgi:


0

Sonuçları kümelendirmek ve bir ölçek tanımlamak bir çözüm olabilir.

Bir kategori değişkenini şöyle (veya farklı) yapın:

  1. Yüksek hassasiyet
  2. Normal hassasiyet
  3. Düşük hassasiyet
  4. Duyarsız (davanızdaki ölçek dışı olanlar)

Analizi yapmak için bu değişkeni kullanabilirsiniz, ancak sonuçların anlamlı olup olmadığı kategorileri ne kadar iyi tanımladığınıza bağlıdır.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.