回复：使用功能性數據瀏覽器將在線數據與離線數據結合起來進行統計分析（2020-EU-EPO-344）嗨，斯文，有趣的海報！
如果我了解得很清楚（1）您收集了幾個在線光譜（2）使用功能數據瀏覽器來查找特徵函數和FPC，最後（3）使用廣義回歸來建立模型，並使用FPC上光譜的分數作為輸入因素和產品的濃度作為響應？為什麼是廣義回歸而不是OLS？
謝謝你的信息！坦率
回复：使用功能性數據瀏覽器將在線數據與離線數據結合起來進行統計分析（2020-EU-EPO-344）嗨弗蘭克，
在第一部分，我讓 @SvenSteinbusch 回答。關於GenReg與 OLS的主要原因有兩個：
- 使用的部分數據基於DOE，然後我們在FDE Explorer中使用內置的GenReg功能，以基於DOE因子作為補充變量的FPC進行擬合。
- GenReg提供了一個交互式解決方案路徑圖，該圖指示了您在添加mroe和更多模型效果時何時開始過度擬合。因此，與使用擬合模型和OLS相比，您將能夠以更具交互性的方式進行變量選擇。此外，您還可以選擇許多更高級的方法，這些方法針對特定情況和目標進行了優化。通常，這些方法通常在大多數情況下對異常值，多共線性，缺失值，分佈問題，審查數據等具有更強的魯棒性。而且這種情況發生的可能性可能比過去預期的要高。
綜上所述，當您將JMP Pro與Functional Data Explorer結合使用時，您還應該利用更高級的建模方法。您可以輕鬆地將這些模型與OLS模型進行比較，看看這是否有所不同。在許多情況下，您將獲得一個更有用的模型。但是，公平地說，在某些情況下，OLS模型同樣有用。
希望這個對你有幫助。馬丁
回复：使用功能性數據瀏覽器將在線數據與離線數據結合起來進行統計分析（2020-EU-EPO-344）嗨，馬丁，謝謝您的明確回答，我還有兩個問題：
1。您的第一點->您是否使用FPC和DOE因子作為輸入變量來對“產品濃度”響應進行建模？
2。在演示中，我讀到您預測了幾個時間點的產品濃度。我假設您在幾個時間間隔c（t）收集了濃度數據，並且為每個時間間隔ti創建了濃度c（ti）的模型？
感謝您的輸入！坦率
回复：使用功能性數據瀏覽器將在線數據與離線數據結合起來進行統計分析（2020-EU-EPO-344）嗨弗蘭克，
非常感謝您的反饋！
我嘗試回答您的問題：
- 我們從多個實驗中收集了一個參數的在線過程數據。
- 我們使用FDE分析數據，創建功能模型並獲取FPC進行後續分析
- FPC最終與產品濃度離線數據鏈接，以便分別基於FPC在在線過程數據上預測濃度
在海報的第一部分（左側），使用FDE將在線過程數據中的差異與產品濃度相關聯。
在第二部分（正確的位置）中，我們根據歷史數據預測了運行過程中的產品濃度。歷史數據用於創建產品濃度的預測模型，該模型基於FDE分析中的FPC。我們在不同時間點獲取了運行過程的當前可用數據，將這些數據包括在FDE模型中，提取了運行過程的特定FPC值，並將此數據輸入到現有的預測模型中。這樣，可以預測運行過程中不同時間點的產品濃度。
最良好的祝愿
斯文
回复：使用功能性數據瀏覽器將在線數據與離線數據結合起來進行統計分析（2020-EU-EPO-344）Sven，感謝您的明確回答，非常棒！坦率
使用功能性數據資源管理器將聯機和脫機數據進行組合以進行統計分析探索數據背後的知識的能力將是未來的重要戰略資產。對於離線數據，統計分析已經建立並廣泛使用。在線數據的統計分析及其與各個離線數據的相關性非常複雜。但是，JMP Pro中新數據分析工具的實施提供了一種使聯機數據易於進行統計分析的方法。
使用功能數據瀏覽器（FDE）和廣義回歸應用程序，我們成功地分析了生物製藥過程的數據，並發現了在線和離線數據之間的隱藏和意外關聯。這些新工具使我們對流程有了更多的了解，從而使我們能夠更好地確定選項，以優化流程。
數據探索電子海報預測建模視頻
