扬声器 | 成绩单 |
| 彼得·波利托 | 你今天怎么样。 |
| 你能听到我吗。 |
| 如果你在说话，我听不到你的声音。 |
| 你好。 |
| 测试一下。 |
| 哦，你好，狮子座，你能听到我说话吗？ |
| 是的 抱歉我想到了技术上的困难 是的。 |
| 彼得·波利托 | 哦，完全没有问题。 |
| 哦，好吧，这是一个很好的吉米。 |
| 彼得·波利托 | 哦，在哪里。 |
| 你是从哪里打来的。 |
| 新加坡。 |
| 彼得·波利托 | 新加坡好吧，多晚了，都在那里。 |
| 大约 909。 |
| 彼得·波利托 | 是啊。 |
| 是的，为你点赞。 |
| 挂着。 |
| 这么晚了，谢谢你做到了。 |
| 可能不，没关系，嗯，是的，我希望我做得很好。 |
| 哦。 |
| 不，我一直对此感到压力很大哦，是的，我很好，让我放一个虚拟背景。 |
| 好的。 |
| 彼得·波利托 | 在我们正式开始之前，我只需要完成几件事。 |
| 好的。 |
| 彼得·波利托 | 给我一个。 |
| 分钟在这里。 |
| 是的。 |
| 彼得·波利托 | 我只带上我的清单，确保我在这里做的一切都正确。 |
| 好吧。 |
| 所以只是确认一下。 |
| 你是舒缓的。 |
| 是的，你的演讲标题是 coven 疫苗不良反应的模型。 |
| 是的，这是正确的，是的。 |
| 彼得·波利托 | 好的，然后只是为了确保您了解正在录制以供使用，并且 Jump 发现峰会将在 Jump 用户社区中公开提供，您是否允许此录制和使用。 |
| 是的，不错不错。 |
| 你的麦克风听起来不错，我听不到任何背景噪音是你的手机关闭以及所有可能产生一些随机噪音的事情。 |
| 不挂断。 |
| 我会发送它会找到他们是的。 |
| 彼得·波利托 | 好的，然后。 |
| 我们需要检查您是否可以共享您的屏幕，然后我们将检查分辨率和其他一些内容。 |
| 好的，当然。 |
| 彼得·波利托 | 谢谢你。 |
| 对不起，是丽莎玲还是安抚。 |
| 我的名字发行很好是的。 |
| 彼得·波利托 | 没问题。 |
| 嗯可以吗。 |
| 彼得·波利托 | 我还没有看到它哦，你知道馅饼覆盖它只是片刻。 |
| 这看起来不错。 |
| 如果你转到屏幕底部，你的任务栏实际上我看不到你的任务栏，所以我们很好。 |
| 好的。 |
| 彼得·波利托 | 让我确定一下。 |
| 它是任何可能创建弹出窗口的程序，如 Outlook 或 Skype，或者其中任何一个程序都已关闭并退出。 |
| 嗯，是的，我想，所以我打赌检查他们。 |
| 关闭我的厨房。 |
| 好的。 |
| 耶，好样的。 |
| 彼得·波利托 | 好的，然后，您是要仅从 PowerPoint 工作还是也要显示跳跃。 |
| 我担心过境，所以我会从 PowerPoint 中注定它。 |
| 彼得·波利托 | 好的，太好了，那么我将静音并关闭我的相机，我们已经在录制了。 |
| 一旦你看到我的照片走开就开始吧，我不会以任何理由打断我们会尝试通过这是一个 30 分钟的演示所以让我们通过，我什至不会在这里这就像你在自言自语。 |
| 好的，这样分钟就可以了。 |
| 彼得·波利托 | 你准备好出发了吗。 |
| 是的。 |
| 彼得·波利托 | 好的。 |
| 好吧，这只是让你知道我们什么时候真的。 |
| 如果您明天意识到自己说错了话或者想以稍微不同的方式呈现某些东西，那就参加发现峰会。 |
| 你可以在你的演讲进行时现场直播，你可以问提交押金的人，然后你可以说你知道我要说这个，我想传达的是你可以喜欢。 |
| 在演示过程中实时编辑，所以不要强调让每个词都完美无缺，只需放松并完成它，我相信会没事的。 |
| 好的。 |
| 是的。 |
| 彼得·波利托 | 好吧，我要静音并关闭我的相机，然后你继续开始。 |
| 谢谢彼得。 |
| 你好，我是苏灵。 我是新加坡管理大学的硕士生，目前正在计算机和信息系统学院攻读数据分析课程。 |
| 所以我今天在这里实际上是要介绍一项已提交给我的 IT for Business 硕士课程的作业，更重要的是，我想分享我迄今为止的 JMP 之旅。 |
| 所以我今年开始使用 JMP，我真的爱上了它，因为它的易用性和统计方法的范围以及我可以对其进行的可视化。 |
| 所以，作为使用 JMP 的初学者，我真的很荣幸能在这里展示我的报告并让我得到您的反馈，因为我觉得我必须学习更多的东西，是的。 |
| 所以我论文的动机实际上是研究 COVID 19 疫苗，所以我们知道它们有多重要，但在 |
| 它的开发和管理速度空前，引起了社区对其安全性的一些怀疑。 |
| 所以我们正在使用来自美国疫苗不良事件报告系统的数据，是的。 |
| 所以我们正在使用那里的数据，因为我们发现有可能帮助确定疫苗的安全问题是否成立。 因此，本文利用来自 VAERS 的结构化和非结构化数据对 COVID-19 疫苗的不良反应进行建模。 |
| 那么什么是 VAERS？ 所以疾控中心和美国FDA都有这个系统，其实是个不良事件 |
| 收集数据的系统。 但通常我们看到的是 VAERS 数据不能用于确定与不良事件的因果关系 |
| 因为不良事件与疫苗接种之间的联系尚未确定。 所以我们在这里实际看到的是，有人在报告，但在那里，他们在报告事件，但没有完整的行动 |
| 确认报告的这些症状和事件是否与疫苗有任何联系。 那么我们为什么还要使用这些数据呢？ 因此，首先数据是可用的和公共领域的。 |
| 数据是最新的，更重要的是，由于频率较低，并非所有不良事件都可能在临床试验期间被捕获。 所以 |
| 通常对于临床试验，它们只包括健康个体。 所以特殊人群，比如那些有慢性病的人或孕妇，这些是 |
| 有限，因此他们知道 VAERS 是疫苗安全的重要来源。 因此，有关它的更多信息，您可以在此处查找此链接。 |
| 是的，所以用于这项研究的数据集来自从 VAERS 中提取的树数据表。 第一个是 VAERS 数据。 |
| 它主要包含有关患者概况和不良事件结果的信息，所以我这里有一个来自 JMP 的小片段 |
| 我们在这里有症状文本，您可以看到这只是基于一个人，一个患者的一份报告。 好吧，数据很脏。 |
| 叙述性文本中有很多有用的信息，但你可以看到有拼写错误、错别字、过长甚至像非常简短的陈述。 |
| 所以接下来我们拥有的两个数据集是疫苗接种数据的 VAERS，以及症状。 所以一个包含有关疫苗的信息，另一个包含 |
| 从我们可以看到的症状文本中提取。 好的，鉴于这种可访问性，实际上 VAERS 数据已经被挖掘了很多 |
| 很多研究人员提供了很多，但是，正如您所看到的，由于报告的质量各不相同，因此使用数据实际上非常具有挑战性。 |
| 还有一些可能不是真的。 所以权力的审查，这表明通常采用某种形式的人工筛选来提取所需的信息。 |
| 然而，这也是相当劳动密集型和相当困难的，因此本文旨在展示在 JMP 中使用文本分析技术提取关键信息的方法。 |
| 并尝试做一个解释模型来解释这个事件中涉及的最重要的变量。 所以我们所做的是，对于这里的每个数据表，我们单独清理它们，然后使用 VAERS ID 连接它们。 |
| 我们根据患者的结果所做的是推导出称为严重性评级的东西，稍后我会稍微讨论一下。 所以一旦表被加入 |
| 有四个叙述文本。 一是关于过敏、用药、病史和症状。 |
| 然后我们将使用文本分析技术来提取顶级术语的向量……将解释每个文本数据的严重性评级。 |
| 并将它们加入到数据集上现有的电子表格数据结构化变量中。 好的，然后将所有这些编译在一起，然后将其放入模型构建中。 |
| 好的，那么严重性评级是关于什么的？ 它基于患者的结果，VAERS 数据有 12 个变量来描述患者的状态。 |
| 然后，在此基础上，我们提取了变量并试图理解它，所以我们得出了四个严重性级别，然后我们将其称为严重性评级。 |
| 那么接下来我们就来谈谈我们如何使用 |
| 用于文本分析的 JMP Pro Text Explorer 平台，我们从数据清理开始。 所以我们想要做的是真正从文本数据中提取出重要的术语。 |
| 并将它们扩充到结构化变量以构建您的模型。 所以正如你所看到的，实际上，文本数据相当混乱，所以我们所做的是 |
| 首先，决定使用词频，使用哪种词频，然后选择二进制词频，因为数据表明，考虑使用它有一个显着的优势。 |
| 接下来是关于进入的清洁工作。 因此，文本数据首先使用 JMP Pro Text Explorer 进行组织，我们使用了其中的一个有用功能来添加短语并自动识别 |
| 这些术语，所以你可以看到它就像像白血细胞这样的术语被保留为一个短语，而不是被拉入白血细胞和细胞，这没有多大意义。 |
| 还有其他一些方法也可以使用。 因此，一种是基于词尾的词干组合标准，然后我们还考虑按字母顺序对列表进行排序，以便像拼写错误的词或拼写错误或类似的东西那样重新编码。 |
| 是的，然后接下来的事情是使用非常方便的功能将所有相似的项目重新编码在一起是的。 |
| 所以我们在清理完文本后要做的下一件事就是查看 |
| 实际上是查看工作流程。 该工作流程对于排除停用词和查看目标变量对术语的影响非常有用。 |
| 所以我在这里所做的是根据严重性等级通过大小和颜色来可视化最常用的术语。 |
| 所以你可以看到颜色较浅的属于不太严重的情况，颜色较深的属于其他最严重的情况，你可以喜欢pick up，那么字就很小了。 |
| 它确实表明常见症状并不严重，但我们通过脑血管事件肺栓塞之类的术语来称呼。 所以这些都与最严重的不良事件有关。 |
| 接下来我们使用术语选择，因此术语选择是 JMP Pro 16 的新功能，这是非常及时的。 |
| 因此它将广义回归模型集成到文本分析平台中，因此从文本分析平台开始，您可以在术语选择所在的位置选择这个。 |
| 然后，它允许识别对响应变量很重要的关键术语。 所以我们的响应变量是严重性等级。 |
| 那么为什么要使用广义回归模型呢？ 因此它被广泛用于非正态分布或高度相关的变量。 |
| 数据相互独立且不显示其他相关性。 所以这里的这个方法对我们很有用，因为它适合我们的数据集。 |
| 我们在数据表中的每个角色都是一个病人，所有这些都是相互独立的。 |
| 所以，然后最重要的是广义回归模型允许变量选择，这就是我们想要做的，因为我们想要选择对响应变量影响最大的变量。 |
| 是的，关于这个回归模型的更多细节有一些我们可以在这里使用的选项，即弹性网和套索。 |
| 所以这里的不同之处在于套索倾向于从一组相关因素中选择一个术语，而弹性网络网络将选择一组术语。 所以一般来说，我认为使用了弹性网络，然后在这里我们选择了二进制项频率。 |
| 好的，这是术语选择的结果，所以你可以看到这里显示了 (???) 的概述，然后是广义的 (???) 但更有趣的是 |
| 当您从系数开始时，您可以看到这些是最重要的正系数 所以这些是在我们的响应变量方面发挥最大作用的最重要因素。 |
| 而这里的这个是按系数排序时作用最小的症状。 因此，查看结果，您可以看到心脏骤停和 COVID-19 肺炎、脑血管意外只是影响响应变量的所有术语。 |
| 所以我们可以看到，更严重的术语与心脏和肺有关，与频率更低的术语有关，这些术语是非常非常轻微的症状，真的。 |
| 好的，所以我们对所有其他人重复整个过程 |
| 对于所有其他文本变量，我们已经转到了症状示例，还有过敏症、病史 |
| 以及使用的药物，所以我们后来做的是保存文档术语矩阵。 好的，这基本上是 DTM 每次将一列保存到数据表中。 |
| 所以你可以在这里看到一个例子，你主要是很多零，因为它是一个非常稀疏的矩阵，所以一个人将表明存在让我们把这一列放在这里，一个将表明存在 (???).. |
| 所以我们保存它并为其他文本分析重复这个过程。 |
| 然后，一旦我们保存了所有这些术语，我们就开始建模。 因此，建模类似于验证列的构建，因此在这里，我们进行了预测建模并制作了验证列。 所以在这里我们选择了选项，所以把它作为验证设置 55%。 |
| 整个过程是将重要变量与严重性确定为响应变量 总的来说，我们有 7 个结构变量和 55 个来自文档术语矩阵和总共约 31,000 条规则。 |
| 我们看到的是那里存在不平衡，因为严重性评级你得到了一个不平衡的数据集。 因此，我们在比较 R 拆分和 AIC 值时进行了模型评估。 |
| 所以。 |
| 所以我们使用JMP中的拟合模型并再次选择广义回归模型。 |
| 我们可以看到这些是这里的结果，因此您认为使用惩罚回归技术准备了一组广义线性模型的单独模型。 |
| 然后我们尝试根据这里的各种特征进行拟合，这些都是其他的惩罚估计方法。 |
| 因此，在所有模型中，我们可以看到 lasso 方法具有最低的 sorry 具有最高的 Rsquare 值，并且还有其他非常接近的值，因此我们将仔细研究它们。 |
| 所以比较最大似然模型，以及基于 ROC 曲线的 lasso 模型，可以看到实际上两条 ROC 曲线非常相似。 |
| 然而，最大似然模型的 ROC 曲线显示它具有最高的严重性。 |
| 抱歉，最大似然模型的 ROC 曲线显示 |
| 最高严重性等级的 ROC 值更高，您可以看到这两者之间只有细微的差别。 |
| 一般来说，随着严重性等级的下降，该区域实际上会增加，原因之一是我们的数据集非常不平衡。 |
| 所以严重等级为4，也就是最高级别，你的大部分级别只占总数据值的5%左右，所以总的来说这两者之间实际上差别很小，所以我们选择面积稍大的那个. |
| 好的，接下来我们开始效果测试。 所以进入报告，可以选择查看效果测试，所以效果测试是 |
| 变量对其余变量没有影响的原假设的假设检验。 |
| JMP社区对效果测试有很好的解释，我认为它是由 |
| 马克·贝利。 因此，他谈到了效果检验实际上是如何基于 ANOVA 的 III 型平方和的。 |
| 所以我们可以看到，由于我们的数据集，这里的效果测试非常适合，所以它实际上测试了模型中的每一项 |
| 其中的术语。 因此，在缺乏项目之间的交互作用的情况下，根据其他项，也根据其他主效应来测试主效应。 |
| 所以你想在这里使用的是，我们在这里看到的是效果测试对我们的目的很有用，因为它用于模型简化。 |
| 而且，它允许我们推断一长串重要变量。 |
| 我们看一下 ChiSquare (???) 最低 ChiSquare 值的概率，该值采用 0.1 的截止 alpha 值。 |
| 我们有许多自变量，所以这是一个很长的列表，其中大部分，当你浏览它们时，其中大部分实际上与心肺疾病有关。 |
| 所以其中一些是受影响的，比如症状的数量，接种疫苗开始之间的天数。 |
| (???) 是更多的疫苗中心，然后你可以看到它们中的其余部分以某种方式相互关联。 |
| 心肺疾病，有一些奇怪的，我不是医学背景的，所以我也不是很了解，但是你可以看到耳聋就是其中之一，所以有一些 |
| 我们可以在这里看到奇怪的结果，但总的来说，情况是，就列出变量而言的顶级变量而言。 |
| 好的，除此之外，对，真正有趣的是看看模型评估，所以即使我们正在做的是建立一个解释性模型， |
| 我也去研究了预测模型，因为 JMP 很好地把报告放在那里让我看看参数估计，所以 |
| 所以我使用 Profiler 来尝试理解参数估计值，你可以看到这里显示的值非常非常小，所以这就是你得到的值 |
| 当你打开 Profiler 时，这里的值是每个变量的平均值，你可以看到这些变量中的每一个 |
| 这里的每个值实际上都非常小，因此这意味着基于这些系数对严重性的影响非常小。 |
| 基于这些作为预测变量的系数。 所以你可以看到，基于这里的这项研究，你可以看出实际上（???）症状及其影响对严重程度的影响非常非常小，这有点像。 |
| 看到大多数这些症状和影响在意料之中，因为我们正在查看疫苗的总体情况，我们可以看到大多数这些症状 - 病史，过敏 - 实际上对结果的影响很小疫苗的。 |
| 可以，然后呢。 |
| 是的。 |
| 所以一点点的结论，一些陈述作为总结性陈述。 在变量的分组和分类中做出了若干决定。 |
| 尽管这些变量是根据我们的理解做出的，特别是在我们提出严重性评级的方式中， |
| 我们可能需要一位熟悉疫苗研究或临床试验的专家来咨询严重程度等级是否足以 |
| 对不良事件结果进行评分。 并基于结构化和非结构化数据的模型构建 |
| 我们已经确定了随着对 COVID-19 疫苗接种反应的严重程度而变化的关键因素。 |
| 然而，我们仍然不是这些关键变量对响应变量严重性的影响非常小，所以通过查看变量可以看出这一点。 |
| 然后，最后，基于二进制评级的文档术语矩阵，发现二进制术语频率在表示文档中其他术语的权重方面最有效。 |
| 使用套索惩罚回归技术的广义线性模型产生了最优模型。 |
| 所以我希望你喜欢这个非常简短的演讲，如果你有任何问题或任何反馈，请告诉我，非常感谢。 |
| 彼得·波利托 | 很好。 |
| 非常。 |
| 不好了。 |
| 我刚刚意识到我是你知道错误我们想要这样的生活哦天哪。 |
| 彼得·波利托 | 所以这就是你的确切情况。 |
| 所以在实际的发现峰会上会有一位演讲者。 |
| 所以他们会提前联系你，你只是说，我在我的一张幻灯片上有一个错误，所以在这部分出现时，它会突然出现，他或她会暂停它。 |
| 然后你可以分享幻灯片并讨论它，然后回到视频，所以完全不用担心。 |
| 这在去年的发现峰会期间发生了很多，根本不是问题。 |
| 好吧好吧。 |
| 天哪，詹姆斯。 |
| 彼得·波利托 | 你想修复它并重做它会让你感觉更好。 |
| 我不知道。 |
| 如果实际上是这里的这个，因为这是错误的框，我需要一段时间才能真正修复它，因为我需要重新输入是的。 |
| 彼得·波利托 | 是的，那么它不知道别担心，这将是一个非常简单的解决方案，您可以实时完成。 |
| 好吧好吧。 |
| 好的是的。 |
| 谢谢你坐下来，通过它，不过。 |
| 彼得·波利托 | 是的，没有问题很好，我真的。 |
| 好的。 |
| 彼得·波利托 | 好的，任何其他问题或意见或任何事情。 |
| 是的，我有一个是那个，嗯，所以有一个链接，我可以在那里上传我所有的幻灯片和我的人和类似的东西，但是我的有一个混淆。 |
| 电子邮件，我认为从 tanya 那里，当 tanya 正确回复我时，我认为她错过了该链接，所以我认为该链接将嵌入其中一个录音中，但我认为你们没有做对. |
| 彼得·波利托 | 我没有，但我会联系tanya，让她直接联系你。 |
| 为了帮助解决这个问题。 |
| 好的当然非常感谢我认为这弥补了我的电子邮件是的。 |
| 彼得·波利托 | 非常感谢。 |
| 没问题好吧，祝你有个美好的夜晚，好好休息。 |
| 是的，你有美好的一天。 |
| 彼得·波利托 | 谢谢你。 |
| 这么多再见。 |
