Assessing assay variability for field samples in environmental research is challenging, since a quantitative assay is typically constrained by a lower limit of detection. The purpose of this paper is to compare three parametric models for assessing assay variability using duplicate data subject to heavy left-censoring. Efron information criterion (EIC) and Bayesian information criterion (BIC) are used to aid in model selections. Distributional parameter estimates are obtained using maximum likelihood estimation for bivariate lognormal, bivariate zero-inflated lognormal, and bivariate 3-component mixture models. We illustrate a practical application using duplicate pesticide data from the Community Participatory Approach to Measuring Farmworker Pesticide Exposure (PACE3) study. Furthermore, a simulation study is conducted to empirically evaluate the performance of the three models. The results from PACE3 indicate that the bivariate zero-inflated lognormal model is fairly competitive based on EIC or BIC. Further, total variability for the lognormal component can be decomposed into between-subject and within-subject variance based on this model. Assay variability estimates such as within-subject coefficient variation, minimum detectable change, and probability of k-fold difference can be easily derived under the bivariate zero-inflated lognormal model. Additionally, the assay variability is rather large for the PACE3 data. Therefore, apparent longitudinal change in pesticide exposure should be examined cautiously in the context of substantial assay variability.

中文翻译：

---

在左重检测下评估农药代谢产物的测定变异性。

在环境研究中评估野外样品的分析变异性具有挑战性，因为定量分析通常受到检测下限的限制。本文的目的是比较三个参数模型，这些模型使用重复的数据进行严重的左删失评估，以评估化验变异性。Efron信息标准（EIC）和贝叶斯信息标准（BIC）用于辅助模型选择。分布参数估计值是使用最大似然估计量针对双变量对数正态，双变量零膨胀对数正态和双变量3分量混合模型获得的。我们举例说明了使用来自社区参与性方法的重复农药数据来测量农民工农药暴露量（PACE3）研究的实际应用。此外，进行了仿真研究以凭经验评估这三个模型的性能。PACE3的结果表明，基于EIC或BIC的双变量零膨胀对数正态模型具有相当的竞争力。此外，基于该模型，对数正态分量的总可变性可以分解为对象间和对象内方差。在双变量零膨胀对数正态模型下，可以轻松得出诸如受试者内部系数变化，最小可检测变化和k倍差异概率之类的测定变异性估计值。此外，PACE3数据的测定变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。PACE3的结果表明，基于EIC或BIC的双变量零膨胀对数正态模型具有相当的竞争力。此外，基于该模型，对数正态分量的总可变性可以分解为对象间和对象内方差。在双变量零膨胀对数正态模型下，可以轻松得出诸如受试者内部系数变化，最小可检测变化和k倍差异概率之类的测定变异性估计值。此外，PACE3数据的测定变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。PACE3的结果表明，基于EIC或BIC的双变量零膨胀对数正态模型具有相当的竞争力。此外，基于该模型，对数正态分量的总可变性可以分解为对象间和对象内方差。在双变量零膨胀对数正态模型下，可以轻松得出诸如受试者内部系数变化，最小可检测变化和k倍差异概率之类的测定变异性估计值。此外，PACE3数据的测定变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。基于该模型，对数正态分量的总可变性可以分解为对象间和对象内方差。在双变量零膨胀对数正态模型下，可以轻松得出诸如受试者内部系数变化，最小可检测变化和k倍差异概率之类的测定变异性估计值。此外，PACE3数据的测定变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。基于该模型，对数正态分量的总可变性可以分解为对象间和对象内方差。在双变量零膨胀对数正态模型下，可以轻松得出诸如受试者内部系数变化，最小可检测变化和k倍差异概率之类的测定变异性估计值。此外，PACE3数据的测定变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。对于PACE3数据，分析变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。对于PACE3数据，分析变异性相当大。因此，应在大量测定变异性的背景下谨慎检查农药暴露的明显纵向变化。