回复：使用功能性数据浏览器将在线数据与离线数据结合起来进行统计分析（2020-EU-EPO-344）嗨，斯文，有趣的海报！
如果我了解得很清楚（1）您收集了几个在线光谱（2）使用功能数据浏览器查找特征函数和FPC，最后（3）使用广义回归来建立模型，以FPC的光谱分数作为输入因素和产品的浓度作为响应？为什么是广义回归而不是OLS？
谢谢你的信息！坦率
回复：使用功能性数据浏览器将在线数据与离线数据结合起来进行统计分析（2020-EU-EPO-344）嗨弗兰克，
在第一部分，我让 @SvenSteinbusch 回答。关于GenReg与 OLS的主要原因有两个：
- 使用的部分数据基于DOE，然后我们在FDE Explorer中使用内置的GenReg功能，以基于DOE因子作为补充变量的FPC进行拟合。
- GenReg提供了一个交互式解决方案路径图，该图指示了您在添加mroe和更多模型效果时何时开始过度拟合。因此，与使用拟合模型和OLS相比，您将能够以更具交互性的方式进行变量选择。此外，您还可以选择许多更高级的方法，这些方法针对特定情况和目标进行了优化。通常，这些方法通常在大多数情况下对异常值，多共线性，缺失值，分布问题，审查数据等具有更强的鲁棒性。而且这种情况发生的可能性可能比过去预期的要高。
综上所述，当您将JMP Pro与Functional Data Explorer结合使用时，您还应该利用更高级的建模方法。您可以轻松地将这些模型与OLS模型进行比较，看看这是否有所不同。在许多情况下，您将获得一个更有用的模型。但是，公平地说，在某些情况下，OLS模型同样有用。
希望这个对你有帮助。马丁
回复：使用功能性数据浏览器将在线数据与离线数据结合起来进行统计分析（2020-EU-EPO-344）嗨，马丁，谢谢您的明确回答，我还有两个问题：
1。您的第一点->您是否使用FPC和DOE因子作为输入变量来对“产品浓度”响应进行建模？
2。在演示中，我读到您预测了几个时间点的产品浓度。我假设您在几个时间间隔c（t）收集了浓度数据，并且为每个时间间隔ti创建了浓度c（ti）的模型？
感谢您的输入！坦率
回复：使用功能性数据浏览器将在线数据与离线数据结合起来进行统计分析（2020-EU-EPO-344）嗨弗兰克，
非常感谢您的反馈！
我尝试回答您的问题：
- 我们从多个实验中收集了一个参数的在线过程数据。
- 我们使用FDE分析数据，创建功能模型并获取FPC进行后续分析
- FPC最终与产品浓度离线数据链接，以便分别基于FPC在在线过程数据上预测浓度
在海报的第一部分（左侧），使用FDE将在线过程数据中的差异与产品浓度相关联。
在第二部分（正确的位置）中，我们根据历史数据预测了运行过程中的产品浓度。历史数据用于创建产品浓度的预测模型，该模型基于FDE分析中的FPC。我们在不同时间点获取了运行过程的当前可用数据，将该数据包括在FDE模型中，提取了运行过程的特定FPC值，并将此数据输入到现有的预测模型中。这样，可以预测运行过程中不同时间点的产品浓度。
最良好的祝愿
斯文
回复：使用功能性数据浏览器将在线数据与离线数据结合起来进行统计分析（2020-EU-EPO-344）Sven，感谢您的明确回答，非常棒！坦率
使用功能性数据资源管理器将在线数据与离线数据结合起来进行统计分析探索数据背后的知识的能力将是未来的重要战略资产。对于离线数据，统计分析已经建立并得到广泛使用。在线数据的统计分析及其与各个离线数据的相关性非常复杂。但是，JMP Pro中新数据分析工具的实施提供了一种使联机数据易于进行统计分析的方法。
使用功能数据浏览器（FDE）和广义回归应用程序，我们成功地分析了生物制药过程的数据，并发现了在线和离线数据之间的隐藏和意外关联。这些新工具使我们对流程有了更多的了解，从而使我们能够更好地确定选项，以优化流程。
数据探索电子海报预测建模视频
