পটভূমি: আমি বর্তমানে বায়োস্ট্যাটিস্টিশিয়ান যিনি সেলুলার এক্সপ্রেশন হারের একটি ডেটাসেট নিয়ে কুস্তি করছি। গবেষণাটি বিভিন্ন দাতাদের কাছ থেকে কয়েকটি পেপটাইডে গোষ্ঠীতে সংগ্রহ করা প্রচুর কোষকে উদ্ভাসিত করেছিল । ঘরগুলি হয় প্রতিক্রিয়ার সাথে নির্দিষ্ট কিছু বায়োমার্কার প্রকাশ করে, বা তারা তা করে না। প্রতিক্রিয়া হারগুলি তখন প্রতিটি দাতা-গোষ্ঠীর জন্য রেকর্ড করা হয়। প্রতিক্রিয়া হার (শতাংশ হিসাবে প্রকাশিত) হ'ল আগ্রহের ফলাফল এবং পেপটাইড এক্সপোজারটি ভবিষ্যদ্বাণীকারী।
নোট করুন যে পর্যবেক্ষণগুলি দাতাদের মধ্যে ক্লাস্টার করা হয়।
যেহেতু আমার কাছে কেবল সংক্ষিপ্তসার ডেটা রয়েছে, তাই আমি দাতা-ভিত্তিক প্রতিক্রিয়া হারকে ক্রমাগত ডেটা হিসাবে বিবেচনা করছি (কমপক্ষে এখনকার জন্য)।
জটিলতাটি আমার ডেটাতে আমার অনেক শূন্য রয়েছে তা থেকে উদ্ভূত হয়। অনেক বেশি অবহেলিত। আমি জিরোগুলির অত্যধিক পরিমাণে একটানা ডেটা এবং স্ক্রু রেখেছি যে বিষয়টি মোকাবেলায় আমি শূন্য-স্ফীত গামা মডেলটি বিবেচনা করছি। আমি টোবিট মডেলটিও বিবেচনা করেছি, তবে এটি নিকৃষ্ট বলে মনে হচ্ছে যেহেতু এটি জেনুইন জিরো (ইকোনোমেট্রিকরা বলতে পারে যে পার্থক্যটি মোটা বলে বিপরীতে) এর বিপরীতে একটি নিম্ন সীমানায় সেন্সরিংয়ের কথা বলে।
প্রশ্ন: সাধারণভাবে বলতে গেলে, শূন্য-স্ফীত গামা মডেলটি ব্যবহার করা কখন উপযুক্ত? অর্থাৎ অনুমানগুলি কী? এবং কীভাবে এর ব্যাখ্যাগুলি ব্যাখ্যা করা যায়? আমি যদি কাগজপত্রে লিখিত লিঙ্কগুলির জন্য কৃতজ্ঞ হব, যদি আপনার কোনও থাকে।
আমি এসএএস-এল-তে একটি লিঙ্ক পেয়েছি যার মধ্যে ডেল ম্যাকলারান একটি শূন্য-স্ফীত গামা মডেলের জন্য এনএলএমআইএক্সইডি কোড সরবরাহ করে, তাই এটি সম্ভব বলে মনে হচ্ছে। তবুও, আমি অন্ধভাবে চার্জ করা ঘৃণা করব।