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，我想到了技术困难，是的。 |
| 彼得·波利托 | 哦，完全没问题。 |
| 哦，好吧，这是一个很好的吉米。 |
| 彼得·波利托 | 哦，在哪里。 |
| 您是从 打来的吗？ |
| 新加坡。 |
| 彼得·波利托 | 新加坡好吧，多晚了，到了吗。 |
| 大约909。 |
| 彼得·波利托 | 是啊，好吧。 |
| 是的，谢谢你。 |
| 挂在身上。 |
| 这么晚了谢谢你的帮助。 |
| 可能不，没关系，是的，我希望我能做得很好。 |
| 哦。 |
| 不，我对此压力很大，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，我需要先完成几件事。 |
| 好的。 |
| 彼得·波利托 | 给我一个。 |
| 分钟在这里。 |
| 是的。 |
| 彼得·波利托 | 我只带上我的清单以确保我在这里正确地完成了所有事情。 |
| 好吧。 |
| 所以只是为了确认一下。 |
| 你很舒缓。 |
| 是的，你的演讲的标题是 Coven 疫苗不良反应模型。 |
| 是的，这是正确的吗？是的，这是正确的。 |
| 彼得·波利托 | 好吧，然后只是为了确保您了解这是为了使用而录制的，并且跳转发现峰会将在跳转用户社区中公开提供，您是否授予此录制和使用的权限。 |
| 是的，好的，太好了。 |
| 你的麦克风听起来不错，我听不到任何背景噪音，你的手机关闭了，诸如此类的事情可能会发出一些随机噪音。 |
| 不挂断。 |
| 我会发送它会找到他们是的。 |
| 彼得·波利托 | 好吧，然后。 |
| 我们需要检查您是否可以共享您的屏幕，我们将仔细检查分辨率和其他一些内容。 |
| 好吧，当然。 |
| 彼得·波利托 | 谢谢。 |
| 对不起，是丽莎林还是安慰。 |
| 我的名字很好听是的。 |
| 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，嗯，你知道馅饼覆盖它一会儿。 |
| 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 | 让我确认一下。 |
| 它是任何可能会创建弹出窗口的程序，例如 Outlook 或 Skype，或者所有这些程序都已关闭并退出。 |
| 嗯，是的，我想，所以我打赌他们会过牌。 |
| 关闭我的厨房。 |
| 好的。 |
| 好耶。 |
| 彼得·波利托 | 好的，然后，您是只使用 PowerPoint 进行工作，还是同时显示跳跃。 |
| 我很担心这种转变，所以我将通过 PowerPoint 来决定它。 |
| 彼得·波利托 | 好吧，太好了，那么我要静音并关闭我的相机，我们已经在录制了，所以我们尽快。 |
| 一旦你看到我的照片就走开，继续开始，我不会以任何理由打断，我们会尝试完成这个 30 分钟的演示，所以让我们完成，我什至不会在这里就像你在自言自语一样。 |
| 好的，这样会议纪要就可以了。 |
| 彼得·波利托 | 你准备好出发了吗。 |
| 是的。 |
| 彼得·波利托 | 好的。 |
| 好吧，这只是为了让你知道我们什么时候真正开始。 |
| 如果你明天意识到自己说错了或者你想以稍微不同的方式展示一些东西，那就举行发现峰会。 |
| 当你的演示进行时，你可以现场直播，你可以询问提交押金的人，然后你可以说你知道我要说这个，我想传达的是你可能会喜欢。 |
| 在演示过程中实时编辑，所以不要强调让每个词都完美，只需放松并完成它，我相信会很好的。 |
| 好的。 |
| 是的。 |
| 彼得·波利托 | 好吧，我要静音并关闭相机，然后你就可以开始了。 |
| 谢谢彼得。 |
| 大家好，我是苏玲。 我是新加坡管理大学的硕士生，目前正在计算机与信息系统学院攻读数据分析课程。 |
| 实际上，我今天来这里是为了展示一项已为我的商业 IT 项目硕士学位提交的作业，更重要的是，我想分享迄今为止我的 JMP 之旅。 |
| 因此，我今年开始使用 JMP，我真的爱上了它，因为它易于使用、统计方法范围广泛，而且我可以用它进行可视化。 |
| 因此，作为使用 JMP 的初学者，我非常荣幸能够在这里展示我的报告并让我收到您的反馈，因为我觉得我需要学习更多东西，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 |
| 它的开发和管理速度前所未有，引起了社会对其安全性的一些怀疑。 |
| 所以我们使用的是美国疫苗不良事件报告系统的数据，是的。 |
| 因此，我们使用那里的数据，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 VAERS 的结构化和非结构化数据来建模 COVID-19 疫苗的不良反应。 |
| 那么什么是 VAERS？ 所以疾病预防控制中心和美国FDA都有这个系统，实际上是一个不良事件 |
| 收集数据的系统。 但一般来说，我们看到的是 VAERS 数据不能用于确定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建立。 因此，我们在这里实际看到的是，有人在报告，但在那里，他们是在报告事件的人，但随后并没有采取充分的行动 |
| 以确定报告的这些症状和事件与疫苗是否有任何联系。 那么我们为什么还要使用这些数据呢？ 因此，首先数据是可用的并且是公共领域的。 |
| 这些数据是最新的，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，他们只包括健康个体。 因此，特殊人群，例如患有慢性疾病的人或孕妇， |
| 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，所以本研究使用的数据集来自从 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 |
| 我们这里有症状文本，您可以看到这只是一份基于一人、一名患者的报告。 好吧，数据很脏。 |
| 叙述文本中有很多有用的信息，但你可以看到存在拼写错误、错别字、过长甚至像非常简短的陈述。 |
| 因此，我们接下来的两个数据集是疫苗接种数据的 VAERS 以及症状。 因此，一个包含有关疫苗的信息，另一个包含有关疫苗的信息 |
| 是从我们可以看到的症状文本中提取的。 好的，考虑到这种可访问性，实际上 VAERS 数据已经被充分挖掘 |
| 相当多的研究人员提供了很多数据，但是，正如您所看到的，由于报告的质量各不相同，这些数据实际上使用起来非常具有挑战性。 |
| 还有一些可能不是真的。 因此审查权力，这表明通常采用某种形式的手动筛选来提取所需的信息。 |
| 然而，这也是相当费力且相当困难的，因此本文旨在展示使用JMP中的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该事件中涉及的最重要的变量。 因此，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 将它们连接起来。 |
| 我们根据患者的结果所做的是得出所谓的严重程度评级，稍后我将对此进行一些讨论。 所以一旦表连接起来 |
| 有四个叙述性文本。 一是关于过敏、药物、病史和症状。 |
| 然后我们将使用文本分析技术来提取最重要术语的向量，这些术语将解释每个文本数据的严重性评级。 |
| 并将它们加入到现有电子表格数据结构化变量的数据集上。 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，那么严重性评级到底是怎么回事呢？ 它基于患者的结果，VAERS 数据有 12 个描述患者状态的变量。 |
| 然后，基于此，我们提取了变量并尝试理解它，因此我们得出了四个严重程度级别，然后我们将其称为严重程度评级。 |
| 那么接下来我们将讨论一下我们如何使用 |
| 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。 |
| 并将它们添加到结构化变量中以构建您的模型。 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，决定使用术语频率，使用哪种术语频率，然后选择二进制术语频率，因为数据表明考虑和使用它有一个显着的优势。 |
| 接下来是关于清洁的一些事情。 因此，首先使用 JMP Pro 文本浏览器组织文本数据，我们使用其中的一个有用功能来添加短语并自动识别 |
| 所以你可以看到，像白细胞这样的术语被保留为一个短语，而不是被拉到白血和细胞中，这没有多大意义。 |
| 还有一些其他方法可供使用。 因此，一个是组合的标准，它根据词尾来词干，然后我们还考虑按字母顺序对列表进行排序，以便重新编码，例如拼写错误的单词或拼写错误或类似的内容。 |
| 是的，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。 |
| 因此，清理完文本后我们要做的下一件事就是查看 |
| 实际上是对工作流程的观察。 该工作流程对于排除停用词以及查看目标变量对术语的影响非常有用。 |
| 因此，我在这里所做的就是根据严重性评级，通过大小和颜色来可视化最常见的术语。 |
| 所以你可以看到，较浅的颜色属于不太严重的情况，较深的颜色属于其他最严重的情况，你可以拿起，那么字就很小了。 |
| 这确实表明，常见症状并不严重，但我们通过脑血管事件肺栓塞之类的事情来了解术语。 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，所以术语选择是新功能 JMP Pro 16，这是相当及时的。 |
| 所以它是将广义回归模型集成到文本分析平台中，因此在文本分析平台之后，您可以在术语选择处选择它。 |
| 然后，它可以识别对响应变量重要的关键术语。 所以我们的响应变量是严重程度评级。 |
| 那么为什么要使用广义回归模型呢？ 因此它广泛用于非正态分布或高度相关的变量。 |
| 其中数据彼此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。 |
| 我们数据表中的每个角色都是患者，所有这些角色都是相互独立的。 |
| 所以，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，我们可以在这里使用一些选项，即弹性网和套索。 |
| 因此，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，而弹性网络将选择一组术语。 所以一般来说，我认为使用弹性网络，然后这里就是我们选择的二进制项频率。 |
| 好的，这就是术语选择的结果，所以你可以看到这里显示了 (???) 的概述，然后是概括的 (???) 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，因此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。 |
| 这里的这个症状是根据系数排序时发挥最小作用的症状。 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部有关，而频率较低的术语则与心脏和肺部有关，这些术语实际上是非常非常轻微的症状。 |
| 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，所以我们已经转到症状示例，所以还有过敏、病史 |
| 以及所使用的药物，所以我们后来所做的就是保存文档术语矩阵。 好的，基本上，DTM 每次都会将一列保存到数据表中。 |
| 所以你可以在这里看到一个例子，你主要有很多零，因为它是一个非常稀疏的矩阵，所以一个将表明存在让我们把这一列放在这里一个将表明存在（？？？）.. |
| 因此，我们保存它并重复该过程以进行其他文本分析。 |
| 然后，一旦我们保存了所有这些术语，我们就开始建模。 因此，建模的构建类似于验证列，所以在这里，我们进行预测建模并制作验证列。 所以在这里我们选择了选项，因此将其设置为 55% 的验证。 |
| 这里的全部内容是识别重要变量的严重性作为响应变量所以总而言之，我们有 7 个结构变量和 55 个从文档术语矩阵导出的变量，总共大约 31,000 条规则。 |
| 我们看到的是，由于严重性评级而导致数据集不平衡，因此存在不平衡。 因此，我们通过比较 R 分割和 AIC 值来进行模型评估。 |
| 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，这些都是其他惩罚估计方法。 |
| 因此，在所有模型中，我们可以看到 lasso 方法的 Rsquare 值最低，抱歉具有最高的 Rsquare 值，并且还有其他值也非常接近，因此我们将仔细研究它们。 |
| 因此，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 曲线表明它具有最高的严重性。 |
| 抱歉，最大似然模型的 ROC 曲线表明 |
| 对于最高严重等级，ROC 值较高，您可以看到两者之间只有细微的差别。 |
| 一般来说，随着严重程度等级的降低，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。 |
| 因此，严重程度等级为四，这是最高级别，您的级别的大部分仅占总数据值的 5% 左右，所以总的来说，这两者之间的差异实际上很小，所以我们选择面积稍大的一个。 |
| 好的，接下来我们开始进行效果测试。 所以进入报告，可以选择看效果测试，所以效果测试是 |
| 零假设的假设检验，即该变量对其余变量没有影响。 |
| JMP 社区上有关于效果测试的非常好的解释，我认为它是由 |
| 马克·贝利. 因此，他谈到了效应检验实际上是如何基于方差分析的 III 型平方和的。 |
| 因此，我们可以看到，由于我们的数据集，效果测试在这里非常合适，因此它实际上根据每个项来测试模型中的每个项 |
| 其中的术语。 因此，在项目之间缺乏相互作用的情况下，并根据其他项和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，效果测试对于我们的目的很有用，因为它对于模型简化来说是有用的。 |
| 而且，它使我们能够对一长串重要变量进行推断。 |
| 我们查看以 0.1 为截止 alpha 值时卡方 (???) 最低卡方值的概率。 |
| 我们有很多自变量，所以它们的列表很长，而且其中的大多数，当你仔细查看它们中的大多数实际上与心肺疾病有关时。 |
| 所以其中一些是受影响的，比如症状的数量、疫苗接种开始之间的天数。 |
| (???) 是疫苗中心的更多内容，然后您可以看到其余的疫苗以某种方式与另一个相关。 |
| 心肺疾病，有一些奇怪的，我不是医学出身的，所以我也不太了解，但是你可以看到耳聋是其中之一，所以有一些 |
| 我们可以在这里看到奇怪的结果，但总的来说，图片是这样的，就列出变量而言的顶级变量而言。 |
| 好吧，除此之外，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模型， |
| 我还研究了预测模型，因为 JMP 非常好地将报告放在那里，供我查看参数估计值，所以 |
| 因此，我使用 Profiler 尝试了解参数估计值，您可以在这里看到显示的值非常非常小，所以这就是您获得的值 |
| 当您打开 Profiler 时，这里的值是每个变量的平均值，您可以看到每个变量 |
| 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很小。 |
| 基于这些作为预测变量的系数。 所以你可以看到，根据这里的这项研究，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。 |
| 可以预期看到大多数这些症状和影响，因为我们正在研究疫苗的总体情况，我们可以看到大多数这些症状 - 病史、过敏 - 实际上对结果影响很小疫苗的。 |
| 可以，然后呢。 |
| 是的。 |
| 所以一点结论，一些陈述作为结论性陈述。 在变量的分组和分类方面做出了一些决定。 |
| 尽管这些变量是我们根据我们的理解做出的，特别是我们得出严重程度评级的方式， |
| 我们或许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评级是否足以 |
| 对不良事件结果进行评分。 并基于结构化和非结构化数据进行模型构建 |
| 我们已经确定了因 COVID-19 疫苗接种反应严重程度而异的关键因素。 |
| 然而，我们仍然不认为这些关键变量对响应变量严重性的影响很小，所以这是通过查看变量来看出的。 |
| 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。 |
| 广义线性模型与套索惩罚回归技术产生了最优模型。 |
| 因此，我希望您喜欢这个简短的演示，如果您有任何问题或任何反馈，请告诉我，非常感谢。 |
| 彼得·波利托 | 做得好。 |
| 非常。 |
| 不好了。 |
| 我刚刚意识到我是你知道的错误，我们想要这样的生活哦天哪。 |
| 彼得·波利托 | 所以这就是你现在所处的情况。 |
| 因此，在实际的发现峰会上将会有一位演讲者。 |
| 所以他们会提前联系你，你只需说，我的一张幻灯片上有一个错误，所以在这一部分出现时，他或她会暂停它。 |
| 然后您可以分享幻灯片并讨论它，然后直接返回视频，所以完全不用担心。 |
| 这种情况在去年的发现峰会上发生过很多次，根本不是问题。 |
| 好吧好吧。 |
| 好吧，天哪，詹姆斯。 |
| 彼得·波利托 | 你想修复它并重做会让你感觉好一点吗？ |
| 我不知道。 |
| 如果实际上是这里的这个，因为这是一个错误的框，我需要一段时间才能真正修复它，因为我需要重新输入它。 |
| 彼得·波利托 | 是的，然后它不知道，不用担心，这将是一个非常简单的修复，并且您可以实时完成。 |
| 好吧好吧。 |
| 好的，是的。 |
| 不过，谢谢你坐下来，经历了这一切。 |
| 彼得·波利托 | 是的，没有问题就很好，我真的。 |
| 好的。 |
| 彼得·波利托 | 好吧，有任何其他问题或意见或任何其他问题。 |
| 是的，我有一个，嗯，所以有一个链接，我可以在其中上传我所有的幻灯片和我的人员以及类似的东西，但是我的. |
| 电子邮件，我认为 tanya 认为当 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，并请她直接与您联系。 |
| 来帮助解决这个问题。 |
| 好的，非常感谢，我想这弥补了我的电子邮件是的。 |
| 彼得·波利托 | 非常感谢。 |
| 没问题，祝您度过一个美好的夜晚并好好休息。 |
| 是的，祝你今天愉快。 |
| 彼得·波利托 | 谢谢。 |
| 就这样再见了。 |
