¿Cuál es la manera adecuada para la prueba de un cambio en la probabilidad de uso de la regresión logística múltiple?

Question

Tenemos datos sobre el día en el que una mariposa pupates (forma un capullo) en el verano/otoño de 2 pares diferentes de años (2005-2006 vs 2009-2010). En el momento en que la pupa formas que ésta puede ser en diapausa (animación suspendida) o no.

Individuales de mariposas a las orugas fueron seleccionados al azar de una población silvestre y se observa en recintos al aire libre hasta que pupated. En este momento de la pupa estaba decidido a ser en diapausa o no.

Nos gustaría saber si hay un cambio en la probabilidad de que una mariposa de la crisálida será en diapausa o no en un determinado día entre años. En otras palabras, ¿una mariposa de la crisálida tiene una significativamente diferente de la probabilidad de estar en diapausa posterior (o anterior) en 2005 vs 2006?

Hemos analizado cada par de años utilizando diferentes regresiones logísticas múltiples con el Día de la pupación y Año como factores y la interpretación de un Año significativo efecto de un cambio significativo en la diapausa de probabilidad en un día dado entre los años.

Es esta la mejor manera de enfocar este problema?

Gracias.

Formato De Datos:

Individual   Diapause Pupation_Day Year
1            1          200        2005
2            0          201        2005
.            .           .          .
.            .           .          .
.            .           .          . 
n            1          300        2006

Answer 1

Su primera regresión logística enfoque parece razonable, suponiendo buen diagnóstico. Sin embargo, si entiendo la pregunta científica de la derecha, se necesita de una interacción entre el año y los días para ver las diferencias entre años en la tendencia a estar en diapausa como día aumenta. El principal efecto del año, sólo dice que un año tiene un mayor por el día de la probabilidad de estar en diapausa, que no es, creo, lo que te importa.

Alternativamente

La otra manera de pensar acerca de que el problema es que días como variable dependiente. Esto significa que usted podría revertir la probabilidad condicional de la formulación que implícitamente se inició con por no preguntar más tarde pupas más probabilidades de estar en diapausa?' es decir, P(diapausa | día, año), sino 'hacer pupa en dipause tienden a ocurrir más tarde en el año," es decir, P(día | diapausa, año).

En este modelo, las observaciones son Pupation_Day el cual está clasificado por la Diapausa de estado que está anidado dentro del Año. El efecto de interés es la diferencia de las diferencias, específicamente: la diferencia entre la diferencia en la media Pupation_Day para la Diapausa==1 y la Diapausa==0 en el Año==2005 versus Año=2006. (No estoy aún seguro de cuál es el papel de los " pares de años de jugar en su diseño).

El único potencialmente difícil bits veo recordando que la Diapausa es un efecto aleatorio, y haciendo un razonable suposición sobre la distribución condicional de Pupation_Day. Francamente, me gustaría probar Normal con varianza compartida primero y luego ver si el modelo de diagnóstico de objeto. Si lo hacen, me gustaría abrir ENTRECORTADO/BUGS, y acaba de escribir el modelo completo, que iba a hacer inferencias acerca de la diferencia en las diferencias más fácil también.

Este enfoque alternativo que puede ser mucho maquinaria para la pregunta científica, aunque. Si nos podría decir cuál es el ideal inferencial extremo sería más fácil recomendar un enfoque.