Revisor cuestionar las estadísticas de mi, necesita una segunda opinión (regresión lineal múltiple)

Question

Acabo de recibir comentarios sobre mi primer artículo y una de las revisor es el cuestionamiento de las estadísticas de mi y él me hizo dudar acerca de él. He publicado en reddit y un redditor me propuso venir aquí para obtener una segunda opiniónhttp://tinyurl.com/pqzt).

He aquí un rápido resumen de mi estudio: 150 pacientes. Yo estaba interesada en saber cómo la exposición a ciertas toxinas (principal IV, predictor) podría predecir las puntuaciones en una clínica de cuestionario (DV). He utilizado un estándar del modelo de regresión lineal ("enter") y se incluyen otros indicadores que se sabe que afectan a las puntuaciones en mi DV (la edad, la educación, la duración de la enfermedad y la discapacidad motora). Todas las variables están en una escala continua. Me he encontrado con que mi modelo es significativo, por lo que es mi principal predictor (la exposición de la toxina), junto con la edad y la educación. No hay colinealidad problema como por la VIF índice. Si sirve de algo, aquí está el histograma y las parcelas de los residuos: http://imgur.com/vsb

Uno de los revisores, se está cuestionando mi modelo de regresión porque dice que desde que alrededor de 70 personas de los 150 tuvo un valor de exposición de 0 (no expuestos), mi modelo es sólo apto para aquellos que fueron expuestos a la toxina (alrededor de 80). Mi comprensión del modelo de regresión y el número de grados de libertad en el ANOVA (140ish) tabla me hace piensa que él está equivocado. También dijo que el anteproyecto de correlaciones corrí entre no eran aptos para toda la muestra, ya que 70 personas tenían un valor de exposición de "0", aunque he utilizado la totalidad de la muestra para el análisis.

He jugado con mis datos para obtener una mejor comprensión del problema. Cuando me encontré con el mismo modelo de regresión (método enter) en aquellos con exposición única (n=80), mi predictor "toxina" no alcanzó significación. Creo que la falta de poder estadístico podría ser el culpable (6 predictores con una "n" de los 80 y combinado con el "débil" tamaño del efecto). Luego me fui de nuevo a la totalidad de la muestra y he añadido una variable dicotómica (expuesto o no expuesto), pero ni el estado de la exposición (sí o no), ni la exposición total (escala de 0 a 100) fueron significativas con el "método enter" (todas las variables que entraron al mismo tiempo). Sin embargo, el uso de un paso a paso del método, la exposición a la toxina de nivel variable (principal predictor) fue ahora significativos de nuevo.

Así que por favor, ¿puede confirmar que estoy bien/mal, y ¿tiene algún consejo sobre cómo escribir esto para el editor/revisor así que mi papel no sale rechazado en la segunda ronda? Gracias!

Answer 1

Si usted piensa que hay una discontinuidad en el efecto de la exposición a una exposición (nivel de toxina) de cero, usted puede probar una más hipótesis general el uso de al menos 2 predictores: un indicador de la toxina > 0 y algo como log(toxina + 1). El 2.d.f. "trozo" de la prueba de los efectos combinados de estos dos predictores pruebas de la hipótesis nula de que el nivel de toxina está asociada con el resultado, lo que permite una discontinuidad en el punto cero. Usted puede conseguir el fragmento de prueba utilizando un general contraste con el 2.d.f. o por la omisión de variables y haciendo la "diferencia en $R^2$" de la prueba.

El revisor es incorrecta.

Es muy importante asegurarse de que usted ha elegido el modelo adecuado para el resultado clínico puntuación. Usted está asumiendo que la puntuación es una variable continua sin un gran número de lazos, y que los residuos del modelo tiene una distribución de Gauss.

Evitar la eliminación de las variables sobre la base de la $P$-valores.

Answer 2

Sería importante (1) véase la regresión de las parcelas de la relación entre la toxina y la puntuación clínica y (2) para conocer con más detalle cuál es su tratamiento experimental consistió de. He creado una simplificación de los datos de ejemplo en R para ilustrar el problema.

Datos de ejemplo:

data1<-data.frame(tox=c(0,0,0,0,0,0,0,0,0,1,1,1,2,2,2,3,3,3), clin=c(10,10,10,10,10,10,10,10,10,20,30,40,20,30,40,20,30,40))
model1<-lm(data1$clin ~ data1$tox)

data2<-data.frame(tox=c(1,1,1,2,2,2,3,3,3), clin=c(20,30,40,20,30,40,20,30,40))
model2<-lm(data2$clin ~ data2$tox)

par(mfrow=c(1,2))
plot(data1$clin ~ data1$tox, xlim=c(0,4), ylim=c(0,40), xlab="toxin", ylab="clinical score")
abline(model1, col="blue")
plot(data2$clin ~ data2$tox, xlim=c(0,4), ylim=c(0,40), xlab="toxin", ylab="clinical score")
abline(model2, col="yellow")

Model1 iba a mostrar un importante modelo de regresión. Sin embargo, el efecto puede desaparecer completamente si nos quitan los resultados clínicos en tox=0 los valores, como se muestra en la model2. Sería fundamental saber cómo el diagrama de dispersión de los datos se ve como cuando se quitó tox=0. En este caso, sería difícil de creer que hay algunos lineal (o de nivel superior) relación entre la dosis de la toxina y de los resultados clínicos.

Sin embargo, puede todavía ser útil realizar una comparación de un grupo, no-toxina (tox=0) frente a la toxina (tox>0). A partir de las investigaciones de un punto de vista metodológico, sería importante saber qué tox=0 significa realmente. ¿Qué tipo de tratamiento que los pacientes reciben en tox=0 y tox>0? Si un tratamiento de placebo fue utilizado (es decir, la única diferencia es que tox>0 recibido realmente una toxina y tox=0 recibido algo falso), entonces un simple grupo de comparación puede ser válido aún para probar el efecto de la no-toxina vs toxina.

Answer 3

Pruebe a activar su exposición de la toxina en un predictores categóricos y ejecutar el mismo modelo. Y si el IV todavía significativo de ejecutar un modelo reducido con sólo el predictores significativos (toxina de la exposición, junto con la edad y educación), como un continuo de predecir el 80 participante que haya expuestos a la toxina.

Creo que el revisor tiene una preocupación válida de los 70 no exposición de los participantes. Alternativamente, usted puede al azar muestras de algunos de los participantes desde su 70 no-exposiciones y tratar de ejecutar el mismo modelo.