Làm thế nào để đối phó với hiệu ứng trần do công cụ đo lường?

Tôi đã thu thập dữ liệu tâm sinh lý đo khả năng nhận biết rung động của các đối tượng (hai nhóm). Một đầu dò rung động di chuyển trên da ở các chuyển vị nhỏ hơn và nhỏ hơn, và đối tượng chỉ ra khi họ cảm thấy rung. Thật không may, ở tần số cao, đầu dò chỉ có thể di chuyển một khoảng cách ngắn và đôi khi khoảng cách lớn nhất mà đầu dò có thể di chuyển vẫn không đủ lớn để các đối tượng nhận thức được. Do đó, tôi có các giá trị ngưỡng chính xác cho một số đối tượng, nhưng đối với một số người không bao giờ cảm thấy rung động, tôi chỉ đơn giản có một giá trị mà tôi biết ngưỡng của họ lớn hơn. Có cách nào để tôi vẫn bao gồm dữ liệu này không? Và cách tốt nhất để phân tích nó là gì?

Tôi thích sử dụng Mô hình hỗn hợp không đồng nhất để mô tả các hiệu ứng kết hợp từ các nguồn khác nhau cơ bản.

Bạn có thể nhìn vào một cái gì đó giống như một mô hình "Zero Inflated Poisson" theo phong cách của Diane Lambert. " Hồi quy Poisson bằng không, với một ứng dụng cho các khuyết tật trong sản xuất ", Diane Lambert, Technometrics, Vol. 34, Vấn đề. 1 năm 1992

Tôi thấy ý tưởng này đặc biệt thú vị bởi vì nó dường như mâu thuẫn với quan niệm rằng việc áp dụng thiết kế thống kê các thí nghiệm vào y học không thể chữa khỏi hoàn toàn bệnh. Đằng sau khái niệm này là ý tưởng rằng phương pháp khoa học không thể hoàn thành mục đích của nó trong y học xuất phát từ ý tưởng rằng không có dữ liệu bệnh từ một cá nhân khỏe mạnh "hoàn hảo" và do đó dữ liệu không thể đưa ra phương pháp chữa bệnh. Không có đo lường thì không có chỗ để cải thiện.

Sử dụng một cái gì đó giống như một mô hình không phồng cho phép người ta trích xuất thông tin hữu ích từ dữ liệu một phần "không có lỗi". Nó đang sử dụng cái nhìn sâu sắc vào quá trình để lấy thông tin có thể được coi là "im lặng" và làm cho nó nói. Đối với tôi đây là loại việc bạn đang cố gắng làm.

Bây giờ tôi không thể bắt đầu khẳng định nên sử dụng kết hợp các mô hình nào. Tôi nghi ngờ rằng bạn có thể sử dụng Mô hình hỗn hợp Gaussian không thổi phồng (GMM) cho người mới bắt đầu. GMM là một phần của một xấp xỉ phổ quát thực nghiệm cho các tệp PDF liên tục - như anh em họ PDF của xấp xỉ Sê-ri Fourier, nhưng với sự hỗ trợ của định lý giới hạn trung tâm để cải thiện khả năng ứng dụng toàn cầu và cho phép thường có ít thành phần hơn để tạo ra một " tốt "gần đúng.

May mắn nhất.

BIÊN TẬP:

Thông tin thêm về các mô hình không tăng cao:

• http://jirss.irstat.ir/files/site1/user_files_f6193f/admin-A-10-1-27-630ff9e.pdf
• http://facemony.franklin.uga.edu/dhall/sites/facemony.franklin.uga.edu.dhall/files/HallZhangStatMod04.pdf

Phân cụm kết quả và xác định thang đo có thể là một giải pháp.

Tạo một biến danh mục như vậy (hoặc khác nhau):

1. Độ nhạy cao
2. Độ nhạy bình thường
3. Độ nhạy thấp
4. Không nhạy cảm (những người không theo quy mô trong trường hợp của bạn)

Bạn có thể sử dụng biến này để thực hiện phân tích, nhưng liệu kết quả có ý nghĩa hay không phụ thuộc vào mức độ bạn xác định danh mục.