281499_ja-JP

liliconcom

私には力がある！！： 複雑なモデリング状況における電力計算 (2020-US-30MP-544)

レベル: 中級

 

Caleb King 氏、SAS Institute Inc.、JMP 部門、研究統計開発者

 

この分野に長く携わっているアナリストは必ず、次のような恐ろしい質問を聞いたことがあるでしょう。 実験にはどれくらいのデータが必要ですか?」裏の動機はさておき、データを含む調査では最終的には「いくつ?」という質問に答えなければなりません。データが不足して科学的に重要な影響を検出できないリスクや、データが多すぎると貴重なリソースの無駄になるリスクを回避するためです。 これは、基礎となるモデルが複雑な場合（たとえば、変更が難しい要因を含む長期計画、打ち切りを伴うイベントまでの時間応答、不均一なテストレベルを伴う二値応答など）、特に困難になる可能性があります。 この講演では、JMP Pro のワンクリック シミュレーションの「能力」を活用して、複雑なモデリング状況で能力計算を実行する方法を説明します。 幅広い分野にわたる関連アプリケーションを使用して、このテクニックを説明します。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
ケイレブ・キング	こんにちは、私の名前はカレブ・キングです。 私はここ JMP の実験計画法グループの研究統計学者の開発者です。
	そして今日は、JMP を使用して複雑なモデリング シナリオの電力計算を計算する方法についてお話します。 簡単にまとめると、検出力とは、母集団に存在すると考えられる科学的に有意な差異を検出する確率です。
	そして、その母集団からサンプリングした現在のデータ量を考慮した場合に、それを検出する確率です。
	さて、ほとんどの人が検出力計算を実行するときは、通常、研究のサンプル サイズを決定するために実行します。もちろん、これは直接的な計算です。
	両者の間を結びます。 サンプルが多いほど、科学的に有意な違いを検出できる可能性が高くなります。
	もちろん、それに関連する他の要因もあります。 応答分散タイプを使用しているモデルがあります。
	もちろん、母集団に存在するノイズや不確実性の量も存在しますが、ほとんどの場合、人々はサンプル サイズを決定する指標として検出力を使用します。 さて、3つの段階があると思います
	特に JMP Pro をお持ちの場合は、これらすべてが JMP で処理されます。ここで使用するのは JMP Pro です。
	最初の段階は、DOE メニューの [Design Diagnostics] の下にある、より単純なモデリング状況の一部です。 サンプルサイズと検出力の計算ツールがあります。
	これらは、非常に単純なシナリオを広範囲にカバーします。 したがって、1 つまたは 2 つのサンプル平均値をテストする場合は、複数の平均値を使用した ANOVA タイプの設定が考えられます。
	比率、標準偏差。 電力の計算について考えるときに、人々が思い浮かべるのはこれのほとんどです。 もちろん、ノイズを確認して再度指定します。
	エラー率、パラメーターはありますが、どのような違いを検出しようとしているのか、そしてサンプルサイズを取得できる特定の検出力を計算しようとしているとします。
	または、もう少し詳しく調べたい場合。 両方を空のままにしておきます。 パワーカーブが得られます。 もちろん、繰り返しになりますが、これらはより単純なシナリオです。 次の段階は、より一般的な線形モデルでカバーできる内容であると言えます。
	その場合は、包括的なカスタム デザイン メニューからここに移動できます。
	好きな数のエフェクトを入れていきます。
	「続行」をクリックします。
	そして、すべてをここに残します。
	それでデザインを作っていきます。
	この時点で、モデル内の予想される係数に基づいて電力解析を行うことができます。 したがって、この場合、この特定のデザインの実行は 12 回未満であると言えます。 この係数を検出する能力は約 80% です。 検出しようとしている場合は、もう少し小さいものを言ってください。
	もちろん、その値を変更して変更を適用することもできます。 ほら、私にはそれほどの力がありません。 それで、それが本当に私が探しているものであれば。 いくつかの変更を加えるために行うかもしれません。 おそらく、戻って実行サイズを増やす必要があるかもしれません。
	したがって、これらは検出力計算を行う場合に最も一般的な 2 つの設定ですが、もちろん人生はそれほど単純ではありません。より複雑な設定に遭遇する可能性があることを知っている必要があります。混合効果因子が存在する可能性があります。また、長期的な研究に遭遇する可能性もあります。の電力を計算します。
	応答が通常の確率変数ではなくなったり、カウント データが存在したり、バイナリ応答が存在したりする設定に遭遇する可能性があります。 ある種の制限された 0/1 タイプの応答がある場合もあります。 したがって、パーセンテージ型の応答になります。
	では、単純な電力計算ツールや DOE メニューにアクセスできない場合はどうすればよいでしょうか。これでも電力解析を実行するには複雑すぎる可能性があります。 JMP Pro が役に立ちます。これには、ワンクリック シミュレーションと呼ばれるツールが含まれています。
	つまり、ここでのアイデアは、モンテカルロ シミュレーション アプローチを通じてデータをシミュレートし、特定の設定で得られるパワーを推定してみるということです。
	そしてそれは非常に簡単です。 モデリング プラットフォームによっては、少なくとも事前に行う必要のある作業が少しある場合があります。
	しかし、一度それを理解したら。 やり方はとても簡単です。
	先に言っておきますが、これは私がここで働き始めるまで JMP でできることさえ知らなかったことです。 そこで、私が見つけたものを皆さんと共有できることを嬉しく思います。
	それでは、いくつかの混合効果を組み込んだ、標準的な線形モデルのより単純な拡張から始めましょう。 わかった。
	それでは始めましょう。細胞培養のプロトンタンパク質収量の向上を目指している会社があります。 陽子ではなくタンパク質です。
	温度、時間、pH。 混合要因もいくつかあります。
	水と2つの成長因子。 さて、この段階では、ここで停止したとしても、おそらくカスタム デザイン プラットフォームで利用可能な電力計算ツールをまだ使用できるでしょう。
	逸脱し始めるのは、技術者のサンプル全体を代表する 3 人の技術者、Bob、Di、および Stan がいるランダム効果係数をいくつか導入するところです。
	そして、彼らは 3 つの血清ロットのうちの少なくとも 1 つを使用します。これもまた、ランダムな効果として扱わない限り、彼らが使用できるすべての血清ロットの代表です。
	ランダムなブロック効果もあります。 この場合、テストは 2 日間にわたって実施されます。 そこで、ワンクリック シミュレーションと JMP Pro を使用して、このケースの能力を計算する方法を説明します。 クリックしてデザインを開きます。
	これが私が作成したデザインです。すべてが見えるようにここでウィンドウを拡大してみましょう。 これは、デザインを作成した後に通常得られるものを表している可能性があります。
	また、
	この時点で、[応答をシミュレート] をクリックして応答の一部をシミュレートすることもできます。 でも、そうでなかったとしても、それでも大丈夫です
	新しい列を作成するだけで、簡単に複製できるテクニックが入ります。 この時点では名前を変更する必要はありません。単純な式を作成するだけです。
	ここを左側に進みます。 ランダム ランダム ノーマルをクリック
	すべてデフォルトのままにして、「適用」をクリックします。 わかった。
	ランダム ノイズ データも取得しました。 いくつかのシミュレートされた応答データ。 わかった。
	この時点で、右クリックしてコピーします
	そして、右クリックして貼り付けを実行すると、応答列が表示されます。
	今私に必要なのは、ある種の応答だけです。 したがって、ここでは単純なランダムノイズがうまく機能します。 まだデータを分析するつもりはありません。 私たちが望んでいることは、
	フィット モデル プラットフォームを使用してモデルを作成し、それを使用してシミュレーション式を作成します。 これを行うには、モデルに基づいて実行します。 ここで少し頭の整理をしました。
	したがって、ここでモデルをすでに作成しました。 そして、私がそれをどのように行ったかを示すためだけに。 ここで、やり直しの再起動分析の下に進みます。
	ここで、応答タンパク質が固定効果を生み出すことがわかります。 ランダムな効果がいくつかあります。
	私はすべてを行い、すべてがかなり標準的なものになりました。
	ここで多くのことが起こっていることがわかります。 これについては何も注意を払う必要はありません。 私たちはモデルを作成することだけに興味があります。 現時点では、赤い三角メニューの下にあるここに移動します。
	保存された列の下に移動します。 ここで、どの列を選択するか注意する必要があります。 ついついやってしまいそうな予測式を選んでしまうと。 それは良い。 しかし、ご覧のとおり、それだけでは到達できません。
	式に入ると。 これが平均値の予測式です。 ここにはランダムな効果については何もありません。 つまり、これは私が望んでいるコラムではありません。 必要なものがすべて含まれていないので完全ではありません。 戻らなければなりません。
	もう一度 [列の保存] の下に移動し、ここで条件付き予測式まで下にスクロールし、ホバー ヘルプからメモに、変量効果の推定値が含まれていることに注意してください。これが私が必要とするものです。
	さて、ランダム効果の検出力を実際には計算したくない場合もあるでしょう。 平均モデルだけを対象にしたい場合は、
	カスタム デザイン プラットフォームに戻って、そのようにすることも簡単でした。 これらのランダム効果にも興味があるとしましょう。
	これで、条件付き予測式が保存されました。
	もう一度、式を見てみましょう。
	ここで、ランダムな効果があることがわかります。 ここで、必要なシミュレーションを実現するために、ここでいくつかの調整を行う必要があります。 そこで、ここをダブルクリックしてみます。
	これにより、JMP スクリプト言語の書式設定が行われます。
	さて、最初にメインエフェクトにいくつかの変更を加えます。 そして、いくつかの値を選択するだけです。 それでは見てみましょう。 温度を0.5にしてみましょう
	時間は 0.1。
	そしてpHについて。 1.2をもう少し高くしてみましょう。
	水用。 さらに上を目指していきます。 したがって、これらの係数はより大きい可能性があります。 ということで、水は85にします。
	90やります
	成長のためには、まず成長因子。 そして50個やりましょう
	成長因子も。 わかった。
	さて、メインの平均モデル部分を調整しました。 もう一度言いますが、これらは科学的に重要だと思われるパラメータです
	次にランダム効果について説明します。 このようなものに置き換えたくなるかもしれません。 わかった。 それはランダムな効果のはずです。 そこで、ここにランダムな法線を置きます。
	そして、それはある意味正しいように見えますが、正確にはそうではありません。 その理由は、この数式が行ごとに評価されるためです。ジルという名前の技術者に初めて出会ったときに何が起こりますか。
	ここではランダムな値をシミュレートし、その数式評価の値を取得しますが、次回刑務所に行くときになります。 ここに6つ書きました。
	これは異なる値をシミュレートすることになり、ランダム効果が毎回同じ値を保持する必要があるランダム効果の目的を無効にしてしまいます。 ジル登場
	これは、ランダム エラーのような影響を受けることになるため、この機会にここに記載しておきますが、これは行ごとに変更する必要がある値です。 では、どうすればこれをうまく乗り越えることができるのでしょうか。
	なぜこれを言うかというと、私はこの少し恥ずかしいことを最初に発表したときに実際にこれを行ってしまったからです。
	そしてありがたいことに、私の同僚も来てくれました。 その後、実際にランダム効果を適切に入力する方法のコツを紹介しました。そのコツは次のとおりです。
	ここで一番上に移動して、「if 行」と入力します。
	1に等しい
	tech Jill という名前の変数を作成します。
	そして今、ここにそれを置きます
	このトリックが行うことは、このランダムなノーマルを技術ジルに置き換えることです。
	これが行うことは、それが最初の行である場合、ランダム変数をシミュレートし、このパラメーターの値内でその変数をその値に代入することです。
	最初の行では、再度シミュレートしません。これは、Jill が最初に指定された値を維持し、それを配置したすべての場所にその値が保持されるようにすることを意味します。
	したがって、私たちも同じようにします。
	ボブの場合
	ご覧のとおり、これでランダム効果のタスクが完了します。
	スタンのために BOB をここに置くと、物事は少し簡単になります。 モデル内の変量効果の合計はゼロになるはずなので、彼のためにシミュレーションする必要はありません。
	そして、私たちがそれを行う方法も同様です。
	私たちは彼を反対側にします。
	他の効果の一部。
	ここで血清ロット 1 についても同じことを行います
	今回はもう少しノイズを加えてみます。
	にもう少しノイズがあるとします。
	血清ロット
	このアプローチの利点は、さまざまなシナリオを試してみることができることです。
	ここにそれらの値を入力します。
	わかった。
ケイレブ・キング	そしてまた、これ。
	他にもいくつか。 そして、もう一つを追加する前に。 初日は簡単なので、ここに追加するだけです。
	ネガティブな1日目。
	ここでランダムな効果を追加し、それがランダムな効果であると言うことにします。
	私は文字が打てます
	少し小さめです。
	さて、この時点で、完全なシミュレーション式が完成しているはずです。 [OK] をクリックすると、数式エディター ビューに戻ります。
	大丈夫です。
	さて、これでシミュレーションの式が完成しました。
	さて、次に何をするかというと、フィットモデルに戻ります。
	そして、電力をシミュレートしたい領域に行きます
	ここでは、固定効果テストのボックスの下に進みます。 ここでこの列に進みます。この場合の p 値は、元のノイズの多いシミュレーションでは P 値が得られませんでした。 大丈夫。 私たちはそんなことは気にしません。
	これはモデルを生成するために必要なだけであり、それをシミュレーション式に変換しました。 この列の下を右クリックします。 ここで、これは JMPed pro を持っている場合にのみ機能することを覚えておいてください。
	そして、ここの一番下にあるのがシミュレーションです。 それで、それをクリックします。
	そして、どの列を切り替えるかが尋ねられます。 したがって、デフォルトでは応答列が選択され、すべてのシミュレーション式列がどこにあるかを検索します。 これにはシミュレーション モデルが含まれているため、これに切り替えます。
	サンプル数を指定して 100 回実行する
	私のお気に入りのランダムシードを与えます。
	そして「OK」をクリックします。
	1 ～ 2 秒ほど待ってください。
	そしてそこにいます。
	したがって、シミュレータの応答を示すテーブルが生成されます。 モデルにぴったりですね。
	そして P 値を報告しています。 現在、P 値がない場合がいくつかありますが、最終的には最初と同じような状況になりましたが、それは問題ありません。 見積りを得るのに十分な数がある限り、シミュレーションではこれが発生します。
	ここで良い点は、JMPed が P 値をシミュレートしていることを確認したことです。 それで終わりです。 電力分析を行うにはきっとあなたが勝っていると思いますが、そのためのスクリプトを喜んで提供してくれました。 それで、JMPに感謝します。
	これを実行すると、配布プラットフォームとよく似ていることがわかります。 したがって、これらの行、列、列のそれぞれの分布が行われますが、追加機能があり、シミュレートされた電力を示す新しいテーブルがここにあります。
	100 ではない場合、他の数値であれば、推定パワーのようなものを読み取ることができます。その後、拒否率を確認することができます。 ここで 3 つの混合因子を確認します。 私たちが持っているものすべてを考えると、かなり良い力を持っているようです
	それらの特定の係数を検出するため。 他の 3 つの要素に目を向けると、状況はそれほど良くないようです
	それで、戻ってこう言わなければなりません。
	おそらく、戻って、検出できる最大値がいくらであるかを確認することになるので、これらを最小化するつもりです
	テーブルを最小化します。 私は自分の公式に戻って、別のことをしましょうと言うでしょう
	ここで何か違うことをしてください。
	これを変更したらどうなるでしょうか。 つまり、これはポイント 5 でした。これが 1 つほど高かったらどうなるかわかるかもしれません
	とりあえず。 ほら、それも一つにしてみよう
	そしてpHは4。 ３つ行きます。 それで、私は物事を少し盛り上げるつもりです。 それで、ほら、これを検出できるでしょうか
	それらを検出できることがわかっているので、他のすべてを同じままにします。「適用」をクリックすると、新しいバックが生成されたようです
	またまた同じこと。 シミュレートしたい列の下を右クリックすると、クイックシミュレートが切り替わります。
	一定数のサンプルが与えられたとします。 だからそれを貼り付けてください
	同じ種です。
	そして、行きます
	シミュレーションが完了するまで数秒待つだけです。
	そこにいます。
	そして、電力分析を再度実行します。
	ここでも同じように見えます。 そこでは何も変更しませんでした。 そこで実際に、これらのグループを結び付けます。 ちょっと多すぎます。 どうぞ。 この3つを隠しましょう
	これらを見てみましょう。 したがって、pH に関してはより良い結果が得られたようです。そのため、このサンプルサイズを考慮すると、値 1 が検出できる範囲の上限である可能性があります。
	しかし、時間内の温度については、たとえそのような高い値であっても、まだ検出できないようです。 それで、わかりました。 うーん、他に何を変更できるでしょうか。 サンプル数を 2 倍にするとどうなるでしょうか。 つまり、私たちは
	これをサンプルサイズとして計算します。 それでは、戻って、それを行うための 1 つの方法を説明します。 移動して、デザインをクリックして拡張することができます。
	すべての要素を選択します。
	私たちの対応を選択してください。
	「OK」をクリックします。
	デザインを拡張するだけです。
	そして今回は 2 倍にして 24 になります
	それでデザインを作っていきます。
	そして、少し時間がかかります。 それで私は実際に行くつもりです
	ちょっと早いですね。
	さあ、テーブルを作りましょう。
	さて、実行数が 2 倍になりました
	と
	したがって、半分の応答しか得られませんでした。 大丈夫。 応答が必要なだけなので。 これを持ってきてコピーするだけです
	そして貼り付けます
	実生活でのコース。 別の反応が得られることを期待して、そんなことはしたくないでしょう。 ただし、繰り返しになりますが、ノイズの多い応答が必要なだけなので、モデルに進みます。 さて、今回は少し修正する必要があります。 ランダムな効果があるという属性の下にあるこれら 3 つを選択します。
	すべてを同じにしてください。 「実行」をクリックします。
	シミュレーション式がまだないことに気づきますが、実際に手順を踏んで再構築する必要はありません。 実際に新しい列を作成して、古い列に戻ることができます。
	右クリックして「列プロパティをコピー」します。
	戻って、右クリックして列のコピーを貼り付け、数式を実行する準備が整いました。 では、この状況下で、最初に持っていた価値観を維持するとしたらどうなるでしょうか。
	それで戻ります。 これをダブルクリックして、モデルの適合ウィンドウを開きます。
	固定効果テストの下に移動し、おそらく p 値のシミュレーションと一致するものを右クリックし、
	これを変更するつもりはありません。私たちが望んでいたシミュレーションは 1 つしかなく、それが正しい応答を見つけたからです。
	それで、これらを変更します
	この場合に何が起こるかを見てみましょう。
	大丈夫。
	電力解析を実行します。 もう一度言いますが、これらについては心配するつもりはありません
	混合効果は、ご覧のとおり、もともと良好だったものよりもさらに良くなったからです。 ということで、また非表示にします。
	したがって、この場合の pH に興味があることがより簡単にわかります。 たとえ12回のランがあったとしても、おそらくもっと良い成績を収めることはわかっていました。 僕らにはかなりの力があった。
	時間の経過とともに明らかに気温が改善したようです。 したがって、これらが効果量の上限のようなものを表す場合、おそらく下限の上限に興味があり、これはサンプルサイズを2倍にすることが役立つ可能性があることを示しているようです。
	これらは、これをどのように使用できるかを示しています。 まず、ワンクリックシミュレーションを行う方法です。
	そして、それをどのように使用して電力計算を行うことができるか、そして何かをするよう奨励します。 私は JMP に来る前によくやっていました。それは、人々に選択肢を与え、自分の選択肢を検討してもらうことです。 サンプルサイズは温度と時間を考慮するのに役立つようです。
	探しているものを変更すると、pH と混合効果が改善するようです。
	したがって、これには、ランダム効果の推定値に戻って分散を変更することも含まれる可能性があります。
	たとえば、ここに戻ってくることができます。 やりません。 しかし、これらの値を変更して、血清ロットの騒音が少なく、技術者がもう少し騒音を出したらどうなるか、ということはできます。 テスト計画が予期せぬ設定に対してより堅牢になるように、状況を試して見つけてください。
	よし、掃除させてもらうよ
	これらをすべて閉じてください。
	大丈夫。
	残りのシナリオについても同様です。 これをどのように実装できるかについて、さまざまな考え方を検討していきます。 したがって、一般的なアプローチは同じです。 設計を作成して応答をシミュレーションします。
	モデルを当てはめます。この場合は、わずかに異なるプラットフォームを使用してモデルを生成します。
	次に、そのモデルを使用してシミュレーション式を作成し、それを使用してワンクリックでシミュレートするアプローチを使用します。
	それでは、この訴訟を実施しようとしている会社の事例を見てみましょう。 しかし、従業員の調査を実施する予定で、どの要因が従業員の離職に影響を与えるかを判断したいと考えたとします。 かもね
	辞めていく社員がたくさんいる。 そこで、どの要因を評価するためにアンケートを実施したいので、何人が回答したかを知りたいので、次のことを計画する必要があります。
	さて、長年にわたる同社の対応ですが、2つの小さなねじれがあります。 まず、私は従業員が減耗とみなされるためには、退職する前に少なくとも 1 か月働いていなければなりません。
	もう 1 つは、回答は年単位で与えられますが、おそらく私たちは月単位のほうを懸念しているということです。 何ヶ月。 おそらくそれが予算作成ソフトウェアか何かの仕組みなのかもしれません。
	そして、従業員にとっては、その方が答えやすいかもしれません。 そして、何年や何ヶ月かではなく、何年になりましたか。 彼らは会社に来ました。
	この場合、何年が与えられているのでインターバル検閲を行っていますが、これは彼らがその何年から1年後までの間そこにいたことを示しているだけであり、彼らが1年前に去った場合に、それがどこになるかという状況もわかります。 1か月から1年の間に検閲される。
	それでステージテーブルを開けてください。 もうたくさん設定してあります。 ここには多くの要素があり、最後までスクロールしてください。 これで、私たちが注目している応答がわかります。
	繰り返しになりますが、1 年の最低と最高の年があります。 これが意味するのは、従業員が 6 年後に退職したと回答した場合です。 つまり、実際に滞在した期間は月単位で 6 年から 7 年の間になります。
	彼らが 1 年前に出発した場合、彼らは 1 か月から 1 年の間にそこにいたことがわかります。
	ここでこのダイアログ ボタンをクリックして、ここで間隔打ち切りを開始します。 汎用プラットフォームを使用します。 応答の賢明な分布を仮定します。
	ここでは打ち切りコードを入れません。処理方法としてインターバル打ち切りを使用しているためです。つまり、両方の応答列を y に入力します。
	それはわかります。 わかった。 ここで、実行をクリックすると、JMP がイベント配布までの時間として認識され、応答列が 2 つある場合、「OK、OK」と表示されるすべての要素が表示されます。 この場合、インターバル感覚をやっているということでしょうか。 はい、そうです。
	それで今。
	私たちも同じことを経験することになります。 正しい赤い三角形を見つけます。 この場合、これは最大尤度のワイベルの次にあります。 ここからが本当に素晴らしい点です
	プラットフォームを生成します。 今ではすでに素晴らしいことがたくさんあります。 しかし、ここではその上にさらにアイシングを加えます。
	これをクリックすると、以前のように予測式を保存する必要があり、ランダムな情報を得るために調整を行って、それがランダムなウィブルであることを確認する必要があります。必要に応じて調整をシミュレートします。
	これは一般的にはそうなのですが。
	ワンクリックでシミュレーションを実行できることを認識しているため、「シミュレーション式を実際に保存してみませんか。興味があるなら、はい、保存します」と表示されます。 そこで、「シミュレーション式を保存」をクリックします。
	テーブルに戻りましょう。
	そして、それは 1 つの静けさをシミュレートしただけであることに気づくでしょう。 その理由については後ほど詳しく説明します。 でも、実際に簡単にチェックしてみましょう
	実際、ダブルクリックしてスクリプト言語を起動すると、すでにランダムな言語として設定されており、モデルの変換がすでに含まれていることがわかります。
	この時点で行う必要があるのは、これらのパラメーター値を科学的に重要な値に変更することだけです。
	さて、この目的のため、私はそれをしません。 そのままにしておきます。 ただし、1 つ変更を加えて再現してみます。
	これから使用する実際の状況。 ここで注目してください。 これらはすべて連続値であり、実際には、きれいな丸穴年の数値が得られるはずです。 それで、私がそれを行うことができる方法。
	ここ数年です。 こんにちは。実際の連続時間と等しくなるように単純な変数を作成しますが、上限を返すように指示します。
	基本的に切り上げます
	プライ。わかった。 そして、それができました。
	ご覧のとおり、これは私があなたのものをシミュレートしたことを示しています。 やあ。 今、
	に
	ワンクリックでシミュレーションがすべてここに表示されます。 効果テストを公開します。
	右クリックして「シミュレート」をクリックすると、一度に 1 列しか入力できません。 そのため、ドラッグして複数を選択することはできません
	さて、もし私があなたのものだった年にこの場所でやっていれば。 こんにちは、シミュレーションは問題ないようです。 問題は今年の低水準だ。 現在、今年の安値が持ち込まれています。これは、元のモデルの一部だったためです。
	しかし、振り返ってみると、最初に使用したのは 1 年分でした。すでに問題が発生していることがわかりました。すぐにキャンセルさせてください。
	たとえば、それをやるとします。 最高年があなたの年よりも低いため、この最初のものには適合しません。 今年の安値はシミュレーションの反応とは関係ありません。 では、その接続を確立するためにそれを結ぶ必要があることを修正するにはどうすればよいですか。 だから私はあなたのところに行きます、低
	数式をクリックしてみます。 ここにはすでに式があるので、簡単に変更するだけです。
	それを行うためにシミュレーション式をダブルクリックしたかどうかを言います。
	ダブルクリック１つです。 したがって、何年もの間、最高で 1 回のリターンが 112 になります。
	それ以外の場合は、シミュレーション値から 1 を引いた値を返します。
	「OK」をクリックして適用します
	ご覧のとおり、その適切なものは今それに結び付けられています。
	だから今は戻れるよ
	右クリックしてシミュレーションを実行すると、最高値をそのシミュレーション式に置き換えることができ、実行すると最低値が適切になることがわかって安心できます。 既に 1 年を経過している場合を除き、常に 1 年低くなります。
	したがって、それは現在それに関連付けられており、シミュレーションを行うときに常に持ち込まれることになります。
	早速、簡単なシミュレーションを実行してみます。
	それでは行きます。 少しゆっくり進んでいます。 それは良い兆候です。
	もう終わりにさせてもらいます
	大丈夫。 そこで私たちのシミュレーションがあります。
	そしてもちろん、電力分析を実行することもできます。このケースでは、これをプレイするには 1400 70 の見積もりがあったと思われる多くの要素があります。
	それらの多くは、私たちがやりすぎたからです。
	しかし、彼らの中には驚くべきこともあります。 まだまだ課題はあります。 それで、それは調査する価値があるかもしれません、おそらく私たちはそれほど低い係数を検出できないでしょう
	計画会議で話し合うこれらの要素について何かを変更する必要があるかもしれません。
	これが、このケースの場合に物事を処理する必要がある方法です。彼が正しい打ち切りを持っていた場合、インターバル打ち切りがあったため、打ち切り列があったのです。
	同じことです、あなたもそうするでしょう。 実際の時間に基づいたシミュレーションが出力されるので、それにいくつかの調整を加えることができます。
	応答に表示される時間のタイプ、または期待する内容と一致していることを確認するため。 次に、打ち切り列をシミュレーションに結び付ける必要があり、そのような設定がある場合は常にこれが行われます。
	わかった。
	これをすべてクリアしましょう。
	それでは、もう 1 つ見てみましょう
	正常ではない反応があった場合はどうなるでしょうか。 したがって、私たちはすでにそれを見てきました。 信頼性タイプの応答が見られました。 生成を使用できることがわかったので、すぐに別の生成を検討してみましょう。 この場合、通常の応答が返されます。
	テスト。
	システムは、応答に対して一定の割合で武器を与えることができるようになります。 技術的には、これを正規分布としてモデル化できます。
	50 パーセント ポイント付近の値が予想される限り、それは問題ないかもしれません。
	しかし、いいえ、これを非常に正確な武器プラットフォームにしたいので、100% に近い応答が得られることを期待しています。
	したがって、おそらくベータ配布の応答のようなものの方が適切かもしれません。 シワが1つあります。 これら 3 つの興味深い要素がありますが、そのうちの 1 つです。 ターゲットはヒューズ タイプ内にネストされています。 したがって、ターゲット要因のタイプはヒューズのタイプによって異なります。
	Case はこれを非常に迅速に実行します。 もう一度、データを作成しました。
	このケースでは、ランダムなデータをシミュレートし、それが 0 と 1 の間で一致するように実行しました。 ランダムな法線のロジスティック変換を行うだけでこれを実現しました
	OK。
ケイレブ・キング	コピーします
	ペースト。
	貼り付けられるか確認してください
	そしてもう一度、その中を歩いてみましょう。
	ものすごく単純。
	ベータ版の応答を使用します。 私たちからの返答があります。 ターゲットが future 型内にネストされています
	「実行」をクリックします。
	そしてまた赤い三角。 多くの人は、列がシミュレーション式を保存すると言います。 そして、これはレギュラーフィットモデルの生成で実行できることですが、残念ながらそれはできません。
	しかし、私たちにはシミュレーションの公式があります。 何も変更するつもりはありません。
	でも入ってもいいよ。 構造を見るとわかるように、ダブルクリックはすでにそこにあります。 ロジスティック変換も。 したがって、モデルのパラメータを入力するだけです。
	すみません。
ケイレブ・キング	素早い。 わかった。
	さよなら。 わかった。 そしてまた、下っていきます。
	そして、それがあなたがそれを行う方法です。 それで私たちは下ります。
	効果テスト、右クリック「シミュレート」
	代わりを作って出発
	さて、一般的に、それがいかに簡単であるか見てみましょう。 したがって、たとえ正常ではない反応を示したとしてもです。
	大丈夫です。 生成のおかげで
	わかった。
	今、
	縦方向のデータがある場合はどうなるでしょうか。 これは、応答が互いに相関している可能性があるため、難しい場合があります。 では、それをうまく組み込む方法は簡単です。
	今回は、コレステロールを下げる治療薬を製造している会社の例を取り上げます。 それが治療だとしましょう。
	競合他社の治療法と比較する研究を実施する予定です。完了のために対照群とプラセボ群を用意し、各群あたり 5 人の被験者を配置します。長期的な側面では、測定は午前と午後に 1 回ずつ行われます。 3ヶ月間の月。
	ここでは、縦方向の側面をどのように組み込むかを説明したいだけなので、これについてはあまり多くの時間を費やすつもりはありません。 したがって、この場合、私はすでに
	シミュレーション式を作成したモデルを作成しました。 したがって、これをどのように行うかについての参考として使用できます。 AR one モデルがあるとします。
	そして、これについては本当に簡単です。
	ただあなたに見せるためです。 つまり、すべての固定効果があります。 ここでは多くのインタラクションが発生していることに注目してください。 ここで紹介する式は少し乱雑に見えるかもしれないことに留意してください。
	あなたは
	繰り返し構造があると述べました。 そこでARを選択しました
	対象内の日数ごとの期間。 わかった。 次期モデルのプラットフォーム下。
	それで、その時代のものを自分のシミュレーション式にどのように組み込むか、私は次のようにしました。
	それが最初の列または新患の場合。 これは、現在の患者が前の患者と等しくないことを意味します。
	これは、パラメータ値を興味深いものに変更して保存したモデルです。 ここではたくさんのことが起こっているので、少し作業がかかりました。 たくさんの相互作用が起こっています。
	最後にランダムなノイズが入っています。 しかし、私がやったのはそれだけです。 そこで、ここでいくつかの値を変更しました。 物事を簡単にするために、ゼロをたくさん作りました
	最前列でない場合、または新患でない場合。 相関関係をどのように組み込むか。 私がやっているのは、そのモデルをここまでコピーして、この用語を追加するだけです。
	ただの価値。 前回のエントリの 1 倍に相当する 1 未満でなければならないと思います。
	自動回帰の場合は、ラグのようなものを追加します。
	シム公式を
	そして、それが最初の行であるかどうかを知るために、別の調整を行う必要があります。モデルはあります。 それは2列目か、新しい患者の2番目の位置でした。 他のものに戻るとARのように見えるかもしれません
	ご覧のとおり、モデルがどのようなものかを知っていれば、自己相関構造を組み込むのは非常に簡単で、それをシミュレーション式として実装するのも簡単です。
	わかった。
ケイレブ・キング	早速見てみましょう。
	ついに、
	最後のシナリオは、合格、不合格の応答です。これも非常に一般的です。 これを使用して、ワンクリック シミュレーションを使用して、特定のタイプのデザインを実行する方法について人々の考えを変える方法を説明します。これがどれほど強力であるかを示します。
	意図していません
	放射性物質を検出するために作成中の検出システムがあるとします。 そこで、おそらくすでに現場で使用されている別のシステムと比較してみます。
	そこで、これら 2 つの検出システムを比較します。一定量の物質と、1 の非常に低い濃度から 5 の非常に高い濃度までの範囲のいくつかのテスト対象物を選択し、テストします。
	当社のシステムは、各濃度で一定の回数を繰り返し、何回アラームが正常に鳴るかを確認します。
	両方開けてみます
	まずはこれから始めましょう。 これは典型的なデザインを表しており、各設定としてバランスの取れた数のサンプルがあることがわかります。 この場合、サンプルがたくさんあります。 彼らはこの場所がとても幸運だ
	実行ごとに 32 回のバランス トライアルを行うとします。これらはシミュレーションされた応答です。 さて、言ってみましょう。 そして、ここでシミュレーション式を作成しました。
	それでは、それがどのようなものかを紹介します。 繰り返しますが、ランダムな二項分布です。 それらはすべて同じです。 したがって、ここでは番号をそのままにしましたが、インディーズ一貫性から派生したトライアル列のアラームを参照することもできましたが、それでも問題ありません。
	これが私が興味を持っているかもしれない私のモデルです
	わかった。
	そしてここ。
	バランスの取れた数値と各設定の代わりに、ほとんどのサンプルをここの中央に配置するシナリオがあります。
	私の推論では、濃度が低い場合はそうなるかもしれません。 釣れるとはほとんど期待できません。 私は合理的な期待を持っています。
	そして、それが高濃度の意志であれば、ほぼ常にそれを捕まえるはずです。 したがって、私にとって違いが最も重要なのは中間、おそらく 3 つまたは 4 つの濃度です。
	そして、そこからロードしていきます。 私のサンプルのほとんどをここに載せます。 ただし、他の設定では最小値を設定します。 これらの各テストが、能力の観点からフォームをどのように計画しているかを見てみましょう。
	そこで、ここで二項モデルを実行する二項モデルスクリプトを実行します。 このシステムにはモデル効果が 1 つだけあります。 ここに効果があることが分かっているので、集中力を入れません。 これが私たちが興味があることです。
	二項式を生成します。
	赤い三角メニューをもう一度実行します。
	シミュレーションの式はすでにできています。
	だから実際にはそんなことをする必要はないんです。
	つまり、すでにパターンが構築されています。
	右クリックします。シミュレートしますか。 よし、すべてがうまくいっているようだ。
	私の次のお気に入りのランダムシードです。
	ここからは電力分析です。 さて、ここに行きましょう。
	同じことをしてください。 二項分布が得られたら、モデルを当てはめます。 アラームを鳴らす回数だけでなく、試行回数も入力する必要があります。
	効果テストを下にスクロールして、下に進みます。
	プライマリでは、何が起こるかについてのヒントを得るために。
	素早い。 わかった。
	これが私のシミュレーションです。私の類似点をここで調べて、最小化、最小化します。 バランス設計で得られるものは次のとおりです。
	出力が非常に低いことに注目してください。各実行で 32 だったので、奇妙に見えます。 つまり、これは大量のサンプルです。以前に作業していた場所では、そのようなサンプルのために人を殺していただろう
	したがって、多くのパワーを期待するでしょうが、ここではそうではないようです。 サンプルの合計数は同じでした。 別々に割り当てただけです。
	そして私のパワーレベルは劇的に上がりました。 ここでさらに積み上げればいいかも。 おそらく、4 つと 4 つを実行し、それぞれを編集するとよいでしょう
	この違いを検出する能力をさらに高めることができました。 したがって、これは、サンプル サイズを変更するだけでは必ずしも必要ではないことを示しているだけでなく、この場合、最初から多くのサンプルがあったため、必ずしもより多くのサンプルが必要であるとは限りません。 ただし、それらをどのように割り当てるかも重要です
	わかった。
	それで、
	私がこの非常に素晴らしい検出力計算ツールを発見したのと同じように、皆さんも興奮していただければ幸いです。
	重要なポイントをいくつか残したいと思います。
	そこで、もう一度シミュレーションを使用します。 さて、理想的には、私たちはある種の公式を好むのです。 したがって、民事訴訟では、私たちはある種の単純な公式の利点を得ることができます。
	回帰モデルであっても、内部で役立つ公式が存在します。 しかし、もちろん、現実の世界でも。 状況はもう少し複雑です。 そのため、通常はシミュレーションに頼る必要がありますが、これまで見てきたように、シミュレーションは非常に強力なツールとなり得ます。
	もちろん、シミュレーションで行うべき重要なことの 1 つは、精度と効率のバランスをとることです。 いつもは100走ってた
	その主な理由は、ご存知のとおり、時間を節約するためです。
	ただし、最終的には、実行に時間がかかることを承知して、デフォルトの 2500 を使用することになるかもしれません。
	そこで私がお勧めするのは、何が起こっているかを把握するために、最初は 100 ～ 200 回のシミュレーションから始めることです。 そして、状況を見つけたら
	それが見えるところ。 いいえ、精度を高めるために、サンプル数を増やしてさらに調査する価値があります。
	OK、それでは、いくつかの異なる状況から始めて、いくつかの簡単なシミュレーションを実行してから、いくつかの重要な設定の主要なシナリオに絞り込み、その後、シミュレーションの数を増やして精度を高めることができます。
	実験計画法が一度で完了することがないのと同じように、私は常に検出力の計算について主張します。
	単に計算機に数値を入力してサンプルサイズを返すだけではだめです。 デザインではさまざまなことが起こります。
	あるいは実験で何が起こり得るのか。 そして、実験を計画する最良の方法は、さまざまなシナリオを想定して検討することだと思います。 したがって、さまざまなレベルのノイズを調べてください。
	あなたの返答では。 したがって、混合エフェクトはさまざまな混合エフェクト サイズを考慮して動作する可能性があります。
	もちろん、さまざまなサンプル サイズを調査することができますが、おそらくさまざまなタイプのモデルを調査することもできます。 たとえば、ユニバーサルセンターでは、ウィブルモデルを使用する場合、彼が通常のモデルを多く行った場合に使用するでしょう。
	これらのさまざまなシナリオを検討し、それをテスト プランナーに提示することで、さまざまな設定に耐えられるように研究を進める方法が得られることを理解してください。
	したがって、単に計算して戻ってくるのではなく、常に緊張したプレーヤーにさまざまなシナリオを提示してください。 同じプロセスです。 というときに使います。
	実際に設計された実際の実験を作成しました。 そこでテストプレイヤーを紹介したいと思います。 私は、彼らがそれを探索できるさまざまなオプションを使用して作業しました。 オプションを選択する場合もあれば、オプションの組み合わせである場合もあります。 計画をより堅牢にするために、常にそうする必要があります
	私が言うように、彼らは
	わかった。 さて、これで何か新しいことを学んでいただければ幸いです。 質問がある場合は、私に連絡していただければ、おそらく私の電子メール アドレスが提供されるでしょう。
	この講演を楽しんでいただければ幸いです、そしてカンファレンスの残りの部分も楽しんでいただければ幸いです。 ありがとう。

起こるデータ探索エネルギー省Re: 私には力がある!!: 複雑なモデリング状況における電力計算 (2020-US-30MP-544)

ありがとう@コーキング！ テーブル変数のヒントが気に入っています。間違いなく使用します。

Re: 私には力がある!!: 複雑なモデリング状況における電力計算 (2020-US-30MP-544)

ありがとう@ktbrickey !!

 

GenReg から保存された数式については、使用される他のすべてのパラメーターと同様に、データから推定されると思います。

 

一般に、履歴誤差推定が最初の選択肢になると思います。 サンプル数が履歴値からの偏差に対してどの程度堅牢であるかを確認するためだけに、わずかに異なる値を使用していくつかの検出力計算を実行することをいつでも検討できます。

 

その情報が入手できない場合は、対象分野の専門知識を引き出したり、事前に小規模なパイロット実験を実行したりして、推定値を生成してみることもできます。 同様の結果や文献の資料に基づいて値を推定する可能性もあります。

 

計算に使用するパラメーターを決定することは、手順全体の中で間違いなく難しい側面の 1 つです。 そのため、私は通常、異なる値を使用して複数の計算を実行することをお勧めします。そうすれば、不適切な選択であることが判明した結果に基づいて高価な設計を作成するリスクを避けることができます。

 

最後にヒントを 1 つ。 シミュレーションの実行を簡単にする優れた方法は、テーブル変数を使用することです。 これらは、データ テーブルの赤い三角メニューから、または下部近くの数式エディターから作成できます。 テーブル変数の利点は、テーブル (左上付近) の値を変更でき、その変数を使用する数式も自動的に更新されることです。 ビデオを作成した後にこのことに気づきました。そうでなければ、間違いなく登場していただろう:-)。

Re: 私には力がある!!: 複雑なモデリング状況における電力計算 (2020-US-30MP-544)

すごい話、 @コーキング！ これはとても興味深くて役に立ちます。 共有してくれてありがとう！

これらの電力計算で使用される誤差推定値について質問があります。 彼らは一体どこから来ているのでしょうか？ たとえば、GenReg から保存されたシミュレーション式では、列の式にランダムに生成された応答データに基づく誤差項が含まれていますか? 現実の世界では、過去の誤差推定値が利用可能な場合、それをシミュレーション式で使用しますか?