你好。 我的姓名是标记贝利。
我是A高级的分析软件测试员在JMP。
我的同事今天是建夫英语丁，
A高级的研究统计员开发商。
我是去到开始这推介会
关于一些新的方法到比较那将要是可用的在联合管理计划17.
我是去到开始超过。 我不知道为什么。
你好。 我的姓名是标记贝利。
我是A高级的分析软件测试员在JMP。
我的共同主持人今天是剑峰丁，
A高级的研究统计员和开发商。
我是去到开始和一个介绍到我们的话题。
前我们讲话关于具体的比较，
星期三喜欢到介绍一些基本的概念。
全部的这有到做什么时候是比较人口。
比较人口是A非常常见的任务。
这比较，我们希望，将要带领到A决定之间二假设。
样品从这些人口是经常集为了这比较。
S统计的推理能提供一些有价值的信息关于我们的样品。
在特别的，
是那里充足的证据到拒绝一假设关于这些人口。
明确陈述的这假设是
真的基本的到制作这正确的选择的A测试为了你的比较。
这些假设代表二相互独家的想法
那一起包括这仅有的的可能性。
他们是被称为这选择和无效的假设。
这选择假设
是真的A陈述关于这结论那我们想到宣称。
它供应到代表这人口和它将要要求充足的证据
到推翻这其他假设，哪个是这无效的假设。
它状态这反对结论那必须是克服和强的证据。
它供应作为A参考为了比较和它是假定到是真的。
这是重要的那我们种类这出去今天因为从历史上看，
统计训练有呈现仅有的一方式的使用这些假设。
这最多经常教过的统计测试
是用过的到证明A不同之处之间这人口。
但那是不是这仅有的可能性。
这缺少的理解关于这区别
能带领到滥用这些测试。
这选择的A测试是不是A事情的这数据那是集
或者如何这数据是集。
它是严格地A事情的这指出假设
为了这目的的你的比较。
让我们看在二相似的例子那是实际上从根本上不同的。
但让我们开始出去在哪里我们有A目的的展示A不同之处。
在这例子，让我们说我会喜欢到证明那A改变在温度
将要原因A新的结果，一个改进也许。
我们想到宣称那A新的等级
的我们的回复将要结果从改变这过程温度。
出色地使用A设计的实验到随机地样本从A人口
为了这低的温度状况和这高的温度健康）状况。
这二假设是这无效的状态
那这温度做不是影响这结果。
这将要是我们的参考。
这选择状态我们的宣称，
哪个是这温度影响这结果，
但仅有的如果这证据是强的足够的到拒绝这无效的假设。
全部正确的，这是去到声音非常相似的，但它是确切地这对面的。
在这案件，一个例子二，我们需要到证明等价物。
这里我们想到证明
那A温度改变母鹿不是原因A新的结果。
那是，后这改变，我们有这相同的结果。
为了例子，这可能是这案件在哪里
我们是规划到改变这过程温度
到提升这屈服，
但我们想到制作当然那它不改变
这等级的一个不纯在我们的产品。
我们设计这相同的实验到收集这相同的数据
和我们有这相同的二假设，但现在他们是颠倒了。
它是这无效的那状态那这温度影响这结果，
那是，有A不同之处，
尽管这选择状态
那我们的改变在温度将要不是影响这结果。
是我们测试为了A不同之处或者为了等价物？
真的我们看那从这些例子
那它是不是这数据，这数据完全相同的，但这测试是不同的。
这选择是不是关于这数据，
它是关于我们的宣称，或者在其他字，如何我们状态我们的假设。
还记住那假设测试是单向。
他们服务仅有的到拒绝A无效的假设
的A高的可能性什么时候它是错误的。
在我们的推介会今天，
星期三喜欢到介绍一些新的等价物测试作为出色地作为一些
额外的方法那是用过的什么时候比较二测量系统。
我是现在去到手它超过到建飞吴到讲话关于等价测试。
谢谢标记。
你好。
我是丁剑峰。
我是A研究统计员开发商在JMP。
在这视频我是去到讲话关于这等价，
非劣效性和优势测试在联合管理计划17.
这古典假设测试在这左边
是这测试那最多质量专业人士是熟悉的和。
它是经常用过的到比较二或者更多的团体的数据
到决定无论他们是统计上不同的。
这参数数据能是A意思是回复
为了连续的结果和A部分什么时候这结果多变的是二进制。
西塔t代表这回复从治疗团体
和西塔零代表回复从A控制团体。
那里是三类型的这经典的假设测试。
这第一的一是这二双面的测试和这休息是一双面的测试。
如果你是看着在这二边测试在这左边，
这不假设是那这治疗方法是相同的
和这选择假设是那这治疗方法是不同的。
有时我们真的需要到建立那事物是实质上这相同的
和这机械到做那是被称为一个等价测试。
一个相等的测试是到展示这不同之处在西塔t和西塔零
是之内A预先指定的利润三角洲
和允许我们到得出结论这等价和A指定的信心等级。
如果你看在这等价测试，这不假设是那
这对待陈述方法是不同的和这选择假设是那
这治疗方法是之内A固定的三角洲的一其他。
这是不同的从这二双面的假设测试在这左边。
其他选择测试设想是这非劣效性测试，
哪个目标到证明那结果是不是实质上更差。
那里是还A测试设想被称为优势测试，
那是相似的到非劣效性测试，
除了那这目标是到证明那结果是实质上更好的。
那里是五不同的类型的相等的类型测试
依靠在这情况。
什么时候应该我们使用这测试将要是讨论过下一个。
这些测试是非常重要的在行业，
尤其在这生物技术和制药公司行业。
这里是一些例子，
如果这目标是到展示那这新的治疗
做不是不同显著地从这标准一
经过更多的比一些小的利润，然后相等的测试应该是用过的。
为了例子， A通用的药品那是较少的昂贵的
和原因很少边效果比A受欢迎的姓名品牌化的药品。
你会喜欢到证明它有相同的功效作为这姓名品牌一。
这典型的目标在非劣效性测试是到得出结论
那A新的治疗或者过程
是不是显著地更差比这标准一。
为了例子， A新的制造业过程是快点。
你会制作当然它创造不更多的产品缺陷比这标准过程。
A优势测试尝试到证明
那这新的治疗是实质上更好的比这标准一。
为了例子， A新的肥料有到过发达和一些改进。
这研究想要到展示
那这新的肥料是更好的比这当前的肥料。
如何到放向上这假设。
这图形在这左边，
总结这些五不同的类型的相等的类型测试非常很好。
这图形是已创建经过SAS统计数据大学，约翰卡斯特罗和唐娜瓦特。
你能寻找他们的白色的纸容易地在这网络。
选择哪个测试依靠在这情况。
为了每个的这情况，
这蓝色的地区是这地区那你是试到建立和这测试。
为了相等的分析，你能构造一个等价地区
和上边界西塔零加三角洲和降低边界西塔零减三角洲。
你能执行一个等价测试经过检查
无论这信心间隔的西塔
谎言完全在这蓝色的等价地区。
同样地，你能执行A非劣效性测试经过检查
无论这信心间隔的西塔
谎言完全多于这降低边界如果大的西塔是更好的，
或者以下这上边界如果较小西塔是更好的。
这些测试是可用的在一方式为了比较普通的方法
和意外情况下为了比较回复费率。
这图形化的用户界面的等价测试发射对话
使它简单的为了你到寻找这类型的测试
那对应到什么你是试到建立。
A [听不清 00:12:00]在这报告总结这比较非常很好地
和使它简单的为了你到解释这结果。
下一个，我是去到证明等价测试。
我是去到使用这数据放被称为药品测量。
那是在 JMP 中样本数据作为我的第一的例子。
十二不同的科目是给定三不同的药物A，乙和C。
和32连续的测量是集。
我们去到西塔YX,
和我们加载这回复和治疗。
这将要带来这一方式分析。
在下面这红色的三角形寻找这等价测试。
那里是二选项方法和标准偏差。
我们是去到重点在方法在这讲话。
我们带来这对话和你能选择A测试那你会喜欢到执行
和这图形将要代表这已选择测试。
为了这优势或者非劣效性测试那里是二场景。
大的不同之处是更好的或者较小不同之处是更好的。
选择选项依靠在这情况。
你还需要到指定这利润这里为了这三角洲。
你需要到指定这意义等级α作为出色地。
你能选择使用汇集起来方差或者不等方差到跑步这测试。
你能做全部一对明智的比较
或者你能做A比较和这控制团体。
是去到跑步一个等价测试第一的
和我们将要指定这三作为利润为了这不同之处。
我们点击这好的按钮。
这里是这结果的这等价测试。
从这森林地块你能看那
这信心间隔为了这主要的不同之处之间药品A和药品C
是完全地包含在这蓝色的等价地区。
这最大限度P值是零较少的比.05.
我们能得出结论到这.o5意义等级。
药品A和药品C是相等的。
但如果我们看在药品A和乙，药品乙和C
我们能看他们的信心间隔的这主要的不同之处
是两个都超过这蓝色的地区。
在这.05意义等级
我们不能得出结论那药品A和乙或者药品乙和C是相等的。
认为药品C是我们的标准药品和我们会喜欢到寻找出去
如果这测量的药品A或者乙是很多更好的比药品C。
我们能跑步A优势测试到证明。
让我关闭这大纲笔记第一的和我们带来这发射对话再次。
这时间是去到做A优势测试。
为了这测试我们相信大的不同之处是更好的。
这里我们保持这选择。
A伊索为了这学习我们想到放药品C作为我们的控制团体。
我们插头在这三角洲，这利润.04为了这案件点击好的按钮。
这里是这结果为了优势测试。
从这森林阴谋你能容易地看那这信心间隔
的意思是不同之处之间药品乙和C
是完全地包含在这优越的地区
和这P值是较少的比.05 。
我们得出结论那药品乙是优越的到药品C。
这信心间隔的意思是不同之处
之间药品A和C是超过这蓝色的地区。
这P值这里是很多大比.05 。
我们得出结论在这.05意义等级
我们不能得出结论那药品A是优越的到药品C。
这结论我的第一的例子。
现在我是去到使用A第二例子
到使用这相对的风险之间二比例
到展示你如何到执行A非劣效性测试。
带来这数据桌子。
这审判是尝试到比较A药品
被称为菲达克斯作为选择到药品万科为了这治疗的冒号感染。
两个都药物有相似的效率和安全。
221出去的224患者对待和菲达克斯
达到了临床治愈这结尾的学习。
比较到223出去的第257章患者治疗过的和万科。
是去到发射铁Y经过X再次。
和放我们的回复和A治疗多变的和帐户将要是弗雷格。
自从这回复多变的是绝对的。
意外事件分析是产生的
和全部这测试这里是基于在古典假设测试。
这P值建议我们那我们不能得出结论
那临床问是不同的穿过这药品。
但为了这学习我们真的想到寻找出去
如果药品菲达克斯是不是下到药品万科。
我们去到红色的三角形菜单，寻找相等的测试。
那里是风险不同之处和相对的风险。
我们是去到选择相对的风险到做这案件。
在这发射对话我们选择非劣效性测试
和这大的比率是首选经过我们为了这学习。
我们还需要到寻找这类别兴趣。
为了这学习我们选择是的作为A类别的兴趣
和我们还需要到插头在我们的比率利润这里。
我们指定零.09.
我们点击好的按钮和这里是这结果的非劣效性测试。
从这森林阴谋你能容易地看那
这信心间隔为了这相对的风险之间药品菲达克斯和药品万科
是完全的包含在这非劣等地区。
我们得出结论在这.05意义等级，
药品菲达克斯是不是下到药品万科。
这结论我的讲话和我将要给它后退到标记。
感谢你建峰.
我是去到现在讲话关于A非常常见的程序被称为方法比较。
它是A标准实践每当新的测量是存在发达。
我们有到认为那那里是A标准方法那存在已经
到措施这等级的一些数量。
也许它是这温度或者这效力的A药品。
一个新的方法有到过发达为了一些原因。
我们想到制作当然那它是表现是可比到这标准方法。
今天那里是许多标准那有到过发达
超过许多年经过各种各样的组织到制作当然那这是完毕适当地。
什么我们会希望是那这新的测试方法
理想地回报这相同的价值作为这标准方法。
分散阴谋的这测试方法相对这标准方法
会展示那这数据同意和这身份线y=X 。
但的课程这数据点惯于完美同意
因为的测量错误
在两个都这标准方法和这新的测试方法。
回归分析能决定这最好的合身线为了这数据
和这估计的模型参数能是比较的到那身份线。
这结束向上存在指出在这二假设作为接下来。
这无效的假设
说那他们是不是可比和所以其他方式的说那是
这截距是不是零和这坡是不是一。
这选择
代表我们的宣称那这新的方法是可比
和所以我们会预计这截距到是零和这坡到是一。
出色地比较经过使用回归和普通的最小二乘法回归
假设A很少不同的事物。
它假设那是和X是线性地有关的。
它假设那那里是统计错误在是但不是在X。
这些统计错误是独立的的是，那是，他们是持续的为了全部Y。
有不数据那发挥过多的影响在这估计。
但在这案件的A方法比较，
这数据经常违反一或者更多的的这些假设。
那里是测量错误在这标准方法作为出色地。
还，这错误是不是总是持续的，
在哪个案件我们可能观察那这系数的变化是持续的。
那是，这错误是成比例的，但这标准偏差是不是持续的。
最后，那里是经常异常值展示
那能强烈地影响这估计的这些参数。
其他回归方法能帮助。
戴明回归将要同时地最小化
这至少平方错误在两个都是和X
和通过-B阿布洛克回归是A非参数方法。
它是基于在这中位数的全部可能的成对的连续下坡
和因为的那它是抵抗的到异常值和非持续的错误。
这戴明回归是可用的在联合管理计划
通过这双变量平台使用这合身正交命令。
戴明回归能估计这回归一些方法。
它能估计这错误在两个都是和X，
或者它能认为那这错误在是和X是平等的，
或者它能使用A给定比率的错误的是到X。
通过巴布罗k是现在可用的在联合管理计划17、
再次通过这双变量平台使用这合身通过巴布洛克命令。
它还包括检查为了这假设那
这测量是高度积极地相关的
和展示A线性关系。
有还A比较经过不同之处。
这平淡无奇-奥特曼分析比较
这成对的差异到这成对的方法
到评估这偏见之间这些二测量。
这结果是呈现在A分散阴谋的是相对X为了你的考试
和还到看如果那里是任何异常现象在这差异。
这是全部假如通过这匹配对平台沿着和
一些假设测试。
患病的现在证明这些特征。
我是去到展示你戴明回归为了完整性
那是实际上到过可用的在联合管理计划为了许多年。
我是去到使用A数据桌子哪个有测量为了20样品
经过这标准方法和然后四不同的测试方法。
我是只是去到使用方法1.
我开始这经过选择这分析菜单放是经过X。
这标准去在这X卷，尽管这方法一去在这是卷。
这里我们有这分散阴谋到开始和。
患病的点击这红色的三角形和选择合身正交
和你能看这不同的选择我提及只是A片刻前。
我是去到有联合管理计划估计这错误在是和X。
有A最好的合身线使用戴明回归沿着和
信息关于那。
我们能看那我们的截距为了这估计的线是关闭到零，
我们的坡是关闭到一，和在事实我们的信心间隔包括一。
现在我是去到展示你通过坏的块。
我返回到这相同的红色的三角形，
选择合身通过巴块,
和A新的已安装线是添加到我的分散阴谋。
它看起来非常很多喜欢这结果从这戴明回归。
但记住那通过巴布洛克
是抵抗的到异常值或者非常数方差。
第一的我们有肯德尔的测试那是讲述我们关于这相关性。
积极的相关性是统计上重要的。
我们然后有A测试， A查看为了线性度，
和我们有A高的P-价值这里表明我们不能拒绝线性度。
最后我们有这回归结果。
我看那我有一个截距关闭到一，但这间隔包括零，
所以我不能拒绝零。
这坡是关闭到一。
我的间隔包括一，所以我不能拒绝那这坡是一。
最后，使用通过巴布洛克这曲线菜单，
患病的点击这红色的三角形和选择平淡无奇-奥特曼分析。
这发射这匹配对平台，所以它是A分离窗户。
这里我们是看着在这成对的差异
之间方法一和这标准
相对这意思是的那些二价值观。
是使用这到评估A偏见。
这平淡无奇-奥特曼a分析被报道在这底部。
这偏见是这平均的不同之处。
我们希望那它是零。
这估计是不是确切地零，
但我们能看那这信心间隔包括零，
所以我们会不是拒绝零。
我们还然后有降低限制的协议，
和我们看那他们还包括零作为出色地。
这标准方法那是用过的
什么时候比较二测量方法是现在可用的在联合管理计划17.
那结论我们的推介会。
感谢你为了观看。
