揚聲器 | 成績單 |
| 彼得·波利托 | 你今天怎麼樣。 |
| 你能聽到我嗎。 |
| 如果你在說話，我聽不到你的聲音。 |
| 你好。 |
| 測試一下。 |
| 哦，你好，獅子座，你能聽到我說話嗎？ |
| 是的 抱歉我想到了技術上的困難 是的。 |
| 彼得·波利托 | 哦，完全沒有問題。 |
| 哦，好吧，這是一個很好的吉米。 |
| 彼得·波利托 | 哦，在哪裡。 |
| 你是從哪裡打來的。 |
| 新加坡。 |
| 彼得·波利托 | 新加坡好吧，多晚了，都在那裡。 |
| 大約 909。 |
| 彼得·波利托 | 是啊。 |
| 是的，為你點贊。 |
| 掛著。 |
| 這麼晚了，謝謝你做到了。 |
| 可能不，沒關係，嗯，是的，我希望我做得很好。 |
| 哦。 |
| 不，我一直對此感到壓力很大哦，是的，我很好，讓我放一個虛擬背景。 |
| 好的。 |
| 彼得·波利托 | 在我們正式開始之前，我只需要完成幾件事。 |
| 好的。 |
| 彼得·波利托 | 給我一個。 |
| 分鐘在這裡。 |
| 是的。 |
| 彼得·波利托 | 我只帶上我的清單，確保我在這裡做的一切都正確。 |
| 好吧。 |
| 所以只是確認一下。 |
| 你是舒緩的。 |
| 是的，你的演講標題是 coven 疫苗不良反應的模型。 |
| 是的，這是正確的，是的。 |
| 彼得·波利托 | 好的，然後只是為了確保您了解正在錄製以供使用，並且 Jump 發現峰會將在 Jump 用戶社區中公開提供，您是否允許此錄製和使用。 |
| 是的，不錯不錯。 |
| 你的麥克風聽起來不錯，我聽不到任何背景噪音是你的手機關閉以及所有可能產生一些隨機噪音的事情。 |
| 不掛斷。 |
| 我會發送它會找到他們是的。 |
| 彼得·波利托 | 好的，然後。 |
| 我們需要檢查您是否可以共享屏幕，然後我們將檢查分辨率和其他一些內容。 |
| 好的，當然。 |
| 彼得·波利托 | 謝謝你。 |
| 對不起，是麗莎玲還是安撫。 |
| 我的名字發行很好是的。 |
| 彼得·波利托 | 沒問題。 |
| 嗯可以嗎。 |
| 彼得·波利托 | 我還沒有看到它哦，嗯，你知道一會兒就覆蓋它。 |
| 這看起來不錯。 |
| 如果你轉到屏幕底部，你的任務欄實際上我看不到你的任務欄，所以我們很好。 |
| 好的。 |
| 彼得·波利托 | 讓我確定一下。 |
| 它是任何可能創建彈出窗口的程序，如 Outlook 或 Skype，或者其中任何一個程序都已關閉並退出。 |
| 嗯，是的，我想，所以我打賭檢查他們。 |
| 關閉我的廚房。 |
| 好的。 |
| 耶，好樣的。 |
| 彼得·波利托 | 好的，然後，您是要僅從 PowerPoint 工作還是也要顯示跳躍。 |
| 我擔心過境，所以我會從 PowerPoint 中註定它。 |
| 彼得·波利托 | 好的，太好了，那麼我將靜音並關閉我的相機，我們已經在錄製了。 |
| 一旦你看到我的照片走開就開始吧，我不會以任何理由打斷我們會嘗試通過這是一個 30 分鐘的演示所以讓我們通過，我什至不會在這裡這就像你在自言自語。 |
| 好的，這樣分鐘就可以了。 |
| 彼得·波利托 | 你準備好出發了嗎。 |
| 是的。 |
| 彼得·波利托 | 好的。 |
| 好吧，這只是讓你知道我們什麼時候真的。 |
| 如果您明天意識到自己說錯了話或者想以稍微不同的方式呈現某些東西，那就參加發現峰會。 |
| 你可以在你的演講進行時現場直播，你可以問提交押金的人，然後你可以說你知道我要說這個，我想傳達的是你可以喜歡。 |
| 在演示過程中實時編輯，所以不要強調讓每個詞都完美無缺，只需放鬆並完成它，我相信會沒事的。 |
| 好的。 |
| 是的。 |
| 彼得·波利托 | 好吧，我要靜音並關閉我的相機，然後你繼續開始。 |
| 謝謝彼得。 |
| 你好，我是囌靈。 我是新加坡管理大學的碩士生，目前正在計算機和信息系統學院攻讀數據分析課程。 |
| 所以我今天在這裡實際上是要介紹一項已提交給我的 IT for Business 碩士課程的作業，更重要的是，我想分享我迄今為止的 JMP 之旅。 |
| 所以我今年開始使用 JMP，我真的愛上了它，因為它的易用性和統計方法的範圍以及我可以對其進行的可視化。 |
| 所以，作為使用 JMP 的初學者，我真的很榮幸能在這裡展示我的報告並讓我得到您的反饋，因為我覺得我必須學習更多的東西，是的。 |
| 所以我論文的動機實際上是研究 COVID 19 疫苗，所以我們知道它們有多重要，但在 |
| 它的開發和管理速度空前，引起了社區對其安全性的一些懷疑。 |
| 所以我們正在使用來自美國疫苗不良事件報告系統的數據，是的。 |
| 所以我們正在使用那裡的數據，因為我們發現有可能幫助確定疫苗的安全問題是否成立。 因此，本文利用來自 VAERS 的結構化和非結構化數據對 COVID-19 疫苗的不良反應進行建模。 |
| 那麼什麼是 VAERS？ 所以疾控中心和美國FDA都有這個系統，其實是個不良事件 |
| 收集數據的系統。 但通常我們看到的是 VAERS 數據不能用於確定與不良事件的因果關係 |
| 因為不良事件與疫苗接種之間的聯繫尚未確定。 所以我們實際上在這裡看到的是有人在報告，但在那裡，他們在報告事件，但沒有完整的行動 |
| 確認報告的這些症狀和事件是否與疫苗有任何联系。 那麼我們為什麼還要使用這些數據呢？ 因此，首先數據是可用的和公共領域的。 |
| 數據是最新的，更重要的是，由於頻率較低，並非所有不良事件都可能在臨床試驗期間被捕獲。 所以 |
| 通常對於臨床試驗，它們只包括健康個體。 所以特殊人群，比如那些有慢性病的人或孕婦，這些是 |
| 有限，因此他們知道 VAERS 是疫苗安全的重要來源。 因此，有關它的更多信息，您可以在此處查找此鏈接。 |
| 是的，所以用於這項研究的數據集來自從 VAERS 中提取的樹數據表。 第一個是 VAERS 數據。 |
| 它主要包含有關患者概況和不良事件結果的信息，所以我這裡有一個來自 JMP 的小片段 |
| 我們在這裡有症狀文本，您可以看到這只是基於一個人，一個患者的一份報告。 好吧，數據很髒。 |
| 敘述文本中有很多有用的信息，但你可以看到有拼寫錯誤、錯別字、過長甚至像一個非常簡短的陳述。 |
| 所以接下來我們擁有的兩個數據集是疫苗接種數據的 VAERS，以及症狀。 所以一個包含有關疫苗的信息，另一個包含 |
| 從我們可以看到的症狀文本中提取。 好的，鑑於這種可訪問性，實際上 VAERS 數據已經被挖掘了很多 |
| 很多研究人員提供了很多，但是，正如您所看到的，由於報告的質量各不相同，因此使用數據實際上非常具有挑戰性。 |
| 還有一些可能不是真的。 所以權力的審查，這表明通常採用某種形式的人工篩選來提取所需的信息。 |
| 然而，這也是相當勞動密集型和相當困難的，因此本文旨在展示在 JMP 中使用文本分析技術提取關鍵信息的方法。 |
| 並嘗試做一個解釋模型來解釋這個事件中涉及的最重要的變量。 所以我們所做的是，對於這裡的每個數據表，我們單獨清理它們，然後使用 VAERS ID 連接它們。 |
| 我們根據患者的結果所做的是推導出稱為嚴重性評級的東西，稍後我會稍微討論一下。 所以一旦表被加入 |
| 有四個敘述文本。 一是關於過敏、用藥、病史和症狀。 |
| 然後我們將使用文本分析技術來提取頂級術語的向量……將解釋每個文本數據的嚴重性評級。 |
| 並將它們加入到數據集上現有的電子表格數據結構化變量中。 好的，然後將所有這些編譯在一起，然後將其放入模型構建中。 |
| 好的，那麼嚴重性評級是關於什麼的？ 它基於患者的結果，VAERS 數據有 12 個變量來描述患者的狀態。 |
| 然後，在此基礎上，我們提取了變量並試圖理解它，所以我們得出了四個嚴重性級別，然後我們將其稱為嚴重性評級。 |
| 那麼接下來我們就來談談我們如何使用 |
| 用於文本分析的 JMP Pro Text Explorer 平台，我們從數據清理開始。 所以我們想要做的是真正從文本數據中提取出重要的術語。 |
| 並將它們擴充到結構化變量以構建您的模型。 所以正如你所看到的，實際上，文本數據相當混亂，所以我們所做的是 |
| 首先，決定使用詞頻，使用哪種詞頻，然後選擇二進制詞頻，因為數據表明，考慮使用它有一個顯著的優勢。 |
| 接下來是關於進入的清潔工作。 因此，文本數據首先使用 JMP Pro Text Explorer 進行組織，我們使用了其中的一個有用功能來添加短語並自動識別 |
| 這些術語，所以你可以看到它就像像白細胞這樣的術語被保留為一個短語，而不是被拉入白血細胞和細胞，這沒有多大意義。 |
| 還有其他一些方法也可以使用。 因此，一種是基於詞尾的詞幹組合標準，然後我們還考慮按字母順序對列表進行排序，以便像拼寫錯誤的詞或拼寫錯誤或類似的東西那樣重新編碼。 |
| 是的，然後接下來的事情是使用非常方便的功能將所有相似的項目重新編碼在一起是的。 |
| 所以我們在清理完文本後要做的下一件事就是查看 |
| 實際上是查看工作流程。 該工作流程對於排除停用詞和查看目標變量對術語的影響非常有用。 |
| 所以我在這裡所做的是根據嚴重性等級通過大小和顏色來可視化最常用的術語。 |
| 所以你可以看到顏色較淺的屬於不太嚴重的情況，顏色較深的屬於其他最嚴重的情況，你可以喜歡pick up，那麼字就很小了。 |
| 它確實表明常見症狀並不嚴重，但我們通過腦血管事件肺栓塞之類的術語來稱呼。 所以這些都與最嚴重的不良事件有關。 |
| 接下來我們使用術語選擇，因此術語選擇是 JMP Pro 16 的新功能，這是非常及時的。 |
| 因此它將廣義回歸模型集成到文本分析平台中，因此從文本分析平台開始，您可以在術語選擇所在的位置選擇這個。 |
| 然後，它允許識別對響應變量很重要的關鍵術語。 所以我們的響應變量是嚴重性等級。 |
| 那麼為什麼要使用廣義回歸模型呢？ 因此它被廣泛用於非正態分佈或高度相關的變量。 |
| 數據相互獨立且不顯示其他相關性。 所以這裡的這個方法對我們很有用，因為它適合我們的數據集。 |
| 我們在數據表中的每個角色都是一個病人，所有這些都是相互獨立的。 |
| 所以，然後最重要的是廣義回歸模型允許變量選擇，這就是我們想要做的，因為我們想要選擇對響應變量影響最大的變量。 |
| 是的，關於這個回歸模型的更多細節有一些我們可以在這裡使用的選項，即彈性網和套索。 |
| 所以這裡的不同之處在於套索傾向於從一組相關因素中選擇一個術語，而彈性網絡網絡將選擇一組術語。 所以一般來說，我認為使用了彈性網絡，然後在這裡我們選擇了二進制項頻率。 |
| 好的，這是術語選擇的結果，所以你可以看到這裡顯示了 (???) 的概述，然後是概括的 (???) 但更有趣的是 |
| 當您從係數開始時，您可以看到這些是最重要的正係數 所以這些是在我們的響應變量方面發揮最大作用的最重要因素。 |
| 而這裡的這個是按係數排序時作用最小的症狀。 因此，查看結果，您可以看到心臟驟停和 COVID-19 肺炎、腦血管意外只是影響響應變量的所有術語。 |
| 所以我們可以看到，更嚴重的術語與心臟和肺有關，與頻率更低的術語有關，這些術語是非常非常輕微的症狀，真的。 |
| 好的，所以我們對所有其他人重複整個過程 |
| 對於所有其他文本變量，我們已經轉到了症狀示例，還有過敏症、病史 |
| 以及使用的藥物，所以我們後來做的是保存文檔術語矩陣。 好的，這基本上是 DTM 每次將一列保存到數據表中。 |
| 所以你可以在這裡看到一個例子，你主要是很多零，因為它是一個非常稀疏的矩陣，所以一個人將表明存在讓我們把這一列放在這裡，一個將表明存在 (???).. |
| 所以我們保存它並為其他文本分析重複這個過程。 |
| 然後，一旦我們保存了所有這些術語，我們就開始建模。 因此，建模類似於驗證列的構建，因此在這裡，我們進行了預測建模並製作了驗證列。 所以在這裡我們選擇了選項，所以把它作為驗證設置 55%。 |
| 整個過程是將重要變量與嚴重性確定為響應變量 總的來說，我們有 7 個結構變量和 55 個來自文檔術語矩陣和總共約 31,000 條規則。 |
| 我們看到的是那裡存在不平衡，因為嚴重性評級你得到了一個不平衡的數據集。 因此，我們在比較 R 拆分和 AIC 值時進行了模型評估。 |
| 所以。 |
| 所以我們使用JMP中的擬合模型並再次選擇廣義回歸模型。 |
| 我們可以看到這些是這裡的結果，因此您認為使用懲罰回歸技術準備了一組廣義線性模型的單獨模型。 |
| 然後我們嘗試根據這裡的各種特徵進行擬合，這些都是其他的懲罰估計方法。 |
| 因此，在所有模型中，我們可以看到 lasso 方法具有最低的 sorry 具有最高的 Rsquare 值，並且還有其他非常接近的值，因此我們將仔細研究它們。 |
| 所以比較最大似然模型，以及基於 ROC 曲線的 lasso 模型，可以看到實際上兩條 ROC 曲線非常相似。 |
| 然而，最大似然模型的 ROC 曲線顯示它具有最高的嚴重性。 |
| 抱歉，最大似然模型的 ROC 曲線顯示 |
| 最高嚴重性等級的 ROC 值更高，您可以看到這兩者之間只有細微的差別。 |
| 一般來說，隨著嚴重性等級的下降，該區域實際上會增加，原因之一是我們的數據集非常不平衡。 |
| 所以嚴重等級為4，也就是最高級別，你的大部分級別只佔總數據值的5%左右，所以總的來說這兩者之間實際上差別很小，所以我們選擇面積稍大的那個. |
| 好的，接下來我們開始效果測試。 所以進入報告，可以選擇查看效果測試，所以效果測試是 |
| 變量對其餘變量沒有影響的原假設的假設檢驗。 |
| JMP社區對效果測試有很好的解釋，我認為它是由 |
| 馬克·貝利。 因此，他談到了效果檢驗實際上是如何基於 ANOVA 的 III 型平方和的。 |
| 所以我們可以看到，由於我們的數據集，這裡的效果測試非常適合，所以它實際上測試了模型中的每一項 |
| 其中的術語。 因此，在缺乏項目之間的交互作用的情況下，根據其他項，也根據其他主效應來測試主效應。 |
| 所以你想在這裡使用的是，我們在這裡看到的是效果測試對我們的目的很有用，因為它用於模型簡化。 |
| 而且，它允許我們推斷一長串重要變量。 |
| 我們看一下 ChiSquare (???) 最低 ChiSquare 值的概率，該值採用 0.1 的截止 alpha 值。 |
| 我們有許多自變量，所以這是一個很長的列表，其中大部分，當你瀏覽它們時，其中大部分實際上與心肺疾病有關。 |
| 所以其中一些是受影響的，比如症狀的數量，接種疫苗開始之間的天數。 |
| (???) 是更多的疫苗中心，然後你可以看到它們中的其餘部分以某種方式相互關聯。 |
| 心肺疾病，有一些奇怪的，我不是醫學背景的，所以我也不是很了解，但是你可以看到耳聾就是其中之一，所以有一些 |
| 我們可以在這裡看到奇怪的結果，但總的來說，情況是，就列出變量而言的頂級變量而言。 |
| 好的，除此之外，對，真正有趣的是看看模型評估，所以即使我們正在做的是建立一個解釋性模型， |
| 我也去研究了預測模型，因為 JMP 很好地把報告放在那裡讓我看看參數估計，所以 |
| 所以我使用 Profiler 來嘗試理解參數估計值，你可以看到這裡顯示的值非常非常小，所以這就是你得到的值 |
| 當你打開 Profiler 時，這裡的值是每個變量的平均值，你可以看到這些變量中的每一個 |
| 這裡的每個值實際上都非常小，因此這意味著基於這些係數對嚴重性的影響非常小。 |
| 基於這些作為預測變量的係數。 所以你可以看到，基於這裡的這項研究，你可以看出實際上（???）症狀及其影響對嚴重程度的影響非常非常小，這有點像。 |
| 看到大多數這些症狀和影響在意料之中，因為我們正在查看疫苗的總體情況，我們可以看到大多數這些症狀 - 病史，過敏 - 實際上對結果的影響很小疫苗的。 |
| 可以，然後呢。 |
| 是的。 |
| 所以一點點的結論，一些陳述作為總結性陳述。 在變量的分組和分類中做出了若干決定。 |
| 儘管這些變量是根據我們的理解做出的，特別是在我們提出嚴重性評級的方式中， |
| 我們可能需要一位熟悉疫苗研究或臨床試驗的專家來諮詢嚴重程度等級是否足以 |
| 對不良事件結果進行評分。 並基於結構化和非結構化數據的模型構建 |
| 我們已經確定了隨著對 COVID-19 疫苗接種反應的嚴重程度而變化的關鍵因素。 |
| 然而，我們仍然不是這些關鍵變量對響應變量嚴重性的影響非常小，所以通過查看變量可以看出這一點。 |
| 然後，最後，基於二進制評級的文檔術語矩陣，發現二進制術語頻率在表示文檔中其他術語的權重方面最有效。 |
| 使用套索懲罰回歸技術的廣義線性模型產生了最優模型。 |
| 所以我希望你喜歡這個非常簡短的演講，如果你有任何問題或任何反饋，請告訴我，非常感謝。 |
| 彼得·波利托 | 很好。 |
| 非常。 |
| 不好了。 |
| 我剛剛意識到我是你知道錯誤我們想要這樣的生活哦天哪。 |
| 彼得·波利托 | 所以這就是你的確切情況。 |
| 所以在實際的發現峰會上會有一位演講者。 |
| 所以他們會提前聯繫你，你只是說，我在我的一張幻燈片上有一個錯誤，所以在這部分出現時，它會突然出現，他或她會暫停它。 |
| 然後你可以分享幻燈片並討論它，然後回到視頻，所以完全不用擔心。 |
| 這在去年的發現峰會期間發生了很多，根本不是問題。 |
| 好吧好吧。 |
| 天哪，詹姆斯。 |
| 彼得·波利托 | 你想修復它並重做它會讓你感覺更好。 |
| 我不知道。 |
| 如果實際上是這裡的這個，因為這是錯誤的框，我需要一段時間才能真正修復它，因為我需要重新輸入是的。 |
| 彼得·波利托 | 是的，那麼它不知道別擔心，這將是一個非常簡單的解決方案，您可以實時完成。 |
| 好吧好吧。 |
| 好的是的。 |
| 謝謝你坐下來，通過它，不過。 |
| 彼得·波利托 | 是的，沒有問題很好，我真的。 |
| 好的。 |
| 彼得·波利托 | 好的，任何其他問題或意見或任何事情。 |
| 是的，我有一個是那個，嗯，所以有一個鏈接，我可以在那裡上傳我所有的幻燈片和我的人和類似的東西，但是我的有一個混淆。 |
| 電子郵件，我認為從 tanya 那裡，當 tanya 正確回复我時，我認為她錯過了該鏈接，所以我認為該鏈接將嵌入其中一個錄音中，但我認為你們沒有做對. |
| 彼得·波利托 | 我沒有，但我會聯繫tanya，讓她直接聯繫你。 |
| 為了幫助解決這個問題。 |
| 好的當然非常感謝我認為這彌補了我的電子郵件是的。 |
| 彼得·波利托 | 非常感謝。 |
| 沒問題好吧，祝你有個美好的夜晚，好好休息。 |
| 是的，你有美好的一天。 |
| 彼得·波利托 | 謝謝你。 |
| 這麼多再見。 |
