We propose a powerful adaptive contrast test with ordinal constraint contrast coefficients determined by observed responses. The adaptive contrast test can perform using easily calculated contrast coefficients and existing statistical software. We provide the sample SAS program codes of analysis and calculation of power for the adaptive contrast test. After the adaptive contrast test shows the statistically significant dose-response, we consider to select the best dose-response model from multiple dose-response models. Based on the best model, we identify a recommended dose. We demonstrate the adaptive contrast test for sample data. In addition, we show the calculation of coefficient, test statistic, and recommended dose for the actual study. We perform the simulation study with eleven scenarios to evaluate the performance of the adaptive contrast test. We confirmed the statistically significant dose-response for the sample data and the actual study. In the simulation study, we confirmed that the adaptive contrast test has higher power in most scenarios compared to the conventional method. In addition, we confirmed that the type 1 error rate of the adaptive contrast test was maintained at a significance level when there was no difference between the treatment groups. We conclude that the adaptive contrast test can be applied unproblematically to the dose-response study.


翻译:我们提出一个强大的适应性对比测试,与观察到的受体约束系数对比。适应性对比测试可以使用简单计算对比系数和现有的统计软件进行。我们提供SAS样本程序代码,用于对适应性对比测试进行分析和计算功率。在适应性对比测试显示具有统计意义的剂量-反应后,我们考虑从多剂量-反应模型中选择最佳剂量-反应模型。根据最佳模型,我们确定推荐的剂量。我们演示抽样数据的适应性对比测试。此外,我们显示了系数的计算、测试统计以及实际研究推荐的剂量。我们用11个假设进行模拟研究,以评价适应性对比测试的性能。我们确认了抽样数据和实际研究的具有统计意义的重要剂量反应。在模拟研究中,我们确认适应性对比测试在多数情况下比常规方法具有更高的威力。此外,我们确认适应性对比测试的1型误率在治疗组之间没有差异时维持在重要水平上。我们的结论是,适应性对比测试可以对剂量-反应研究进行不易的运用。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
79+阅读 · 2020年7月26日
【MIT】反偏差对比学习,Debiased Contrastive Learning
专知会员服务
91+阅读 · 2020年7月4日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
Arxiv
0+阅读 · 2021年11月11日
Arxiv
5+阅读 · 2020年10月22日
Teacher-Student Training for Robust Tacotron-based TTS
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
79+阅读 · 2020年7月26日
【MIT】反偏差对比学习,Debiased Contrastive Learning
专知会员服务
91+阅读 · 2020年7月4日
相关资讯
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
Top
微信扫码咨询专知VIP会员