398719_de-DE

liliconcom

Die neuen JMP 16 Nachweisgrenzen bei der Versuchsplanung und Datenanalyse (2021-US-30MP-879)

Niveau: Anfänger

 

Laura Higgins, JMP Global Technical Enablement Engineer, SAS JMP

 

JMP 16 verfügt über neue Funktionen in seiner DOE-Plattform, die die Nachweisgrenzen in die Spalteneigenschaften integrieren und automatisch während der Modellierung mit der Generalized Regression-Plattform von JMP Pro angewendet werden. Ich demonstriere diese neuen Funktionen und diskutiere die Auswirkung von Nachweisgrenzen auf die Datenanalyse.

Wenn wir nach sehr kleinen Mengen einer Substanz suchen, sind wir durch die verwendete Technologie eingeschränkt. Ein Stoff könnte vorhanden, aber nicht nachweisbar ist die untere Nachweisgrenze und hat eine große praktische Bedeutung für den Nachweis niedriger Konzentrationen eines Stoffes in kritischen Situationen, wie z. B. die Identifizierung des Beginns einer Infektion oder die korrekte Identifizierung geringer Mengen von Verunreinigungen. Das Ignorieren der Nachweisgrenzen bei der Datenanalyse hat schwerwiegende Folgen; grundlegende Statistiken wie Mittelwerte und Konfidenzintervalle werden verzerrt und irreführend. Modelldaten mit falschen Annahmen über die Nachweisgrenzen führen zu fehlerhaften Modellen. Nachweisgrenzen haben Auswirkungen auf industrielle Anwendungen wie die pharmazeutische und chemische Herstellung, die analytische Chemie und das diagnostische Testdesign.

 

 

 

Automatisch generiertes Transkript ...

 

Lautsprecher	Abschrift
Mike Anderson	Hi.
	Lassen Sie uns über die neue Funktion in JMP 16, Erkennungsgrenzen, sprechen.
	Worüber ich heute sprechen werde, ist der Hintergrund bei der Definition von Nachweisgrenzen.
	Ich möchte einige statistische Überlegungen anstellen, wenn Sie die Nachweisgrenzen ignorieren.
	Ich sah mich um und fand, meiner Meinung nach, einige reale Beweise für die mangelnde Robustheit einiger entwickelter Produkte, insbesondere COVID-19-Diagnosetests, und diese Produkte beinhalten die Nachweisgrenzen.
	Und schließlich zeige ich Ihnen, wie Sie die Nachweisgrenzen in JMP tatsächlich verwenden, ich zeige Ihnen, wie Sie sie eingeben, wie Sie sie in der Versuchsplanung einrichten und wie Sie Ihre Daten mit Grenzwerten analysieren der Erkennung.
	Woher wissen wir, ob etwas da ist?
	Das klingt vielleicht ein bisschen wie eine esoterische Frage, aber wenn Sie eine analytische Methode anwenden, ist es weniger eine esoterische Frage als vielmehr eine Frage, wie gut Ihr System ist.
	Wenn wir zum Beispiel versuchen, eine sehr kleine Menge an Verunreinigungen in etwas zu finden, wird unser System, mit dem wir es erkennen, irgendwann nicht mehr in der Lage sein, Mengen zu erkennen, die unter einem bestimmten Niveau liegen, und so weiter Grenze, die als Nachweisgrenze bezeichnet wird.
	Es gibt viele verschiedene Arten von Definitionen von Nachweisgrenzen.
	Sie sind,
	Sie variieren je nach Fachgebiet und auch je nach Analysemethode, also habe ich hier ein paar aufgeführt, sagt die FDA, für einen molekulardiagnostischen Assay ist der begrenzte Nachweis die niedrigste Konzentration eines Ziels, die in 95% der wiederholten Messungen nachgewiesen werden kann.
	Wenn wir uns nun ansehen, was die Chemiewelt sagt, definiert sie einen methodisch begrenzten Nachweis als die kleinste Konzentration oder absolute Menge
	eines Analyten, dass das Signal deutlich größer ist als bei einer geeigneten Blindprobe. In diesen beiden Definitionen geht es also von Natur aus um verschiedene Methoden.
	Und ich habe weitere Literatur durchgesehen und wenn Sie so etwas wie Hochleistungsflüssigkeitschromatographie machen, sprechen sie über Signal-Rausch-Verhältnisse, wenn Sie sich die Kurven ansehen.
	Wenn Sie Kalibrierungskurven erstellen, gibt es dafür bestimmte Methoden und es gibt eine Reihe verschiedener Definitionen.
	Was die Nachweisgrenzen anbelangt, so würde ich jeden dazu ermutigen, diejenige zu finden, die für seine Analysemethode am sinnvollsten ist, und dann auch Ihre branchenspezifischen Richtlinien zu befolgen.
	Im JMP,
	Wir definieren die Erkennungsgrenzen, da ... es eine Spalteneigenschaft ist und darüber hinaus
	Die Reaktion kann nicht gemessen werden, also schränkt es sie ein, und was dies tatsächlich bewirkt, wenn wir die Daten analysieren, ist, dass es die Daten zensiert.
	Also das Beispiel, das ich zuvor gegeben habe, nach einer sehr kleinen Menge an Verunreinigungen zu suchen, die eine untere Grenze wäre und die zensiert bleiben würde.
	Aber es könnte auch eine Obergrenze sein, wenn Sie also beispielsweise Druck auf ein Objekt ausüben, kann Ihr Manometer an einer Obergrenze anhalten.
	Sie könnten tatsächlich mehr Druck darauf ausüben, aber Ihr Messgerät geht einfach nicht höher, und das wäre eine Obergrenze, und diese Daten würden richtig zensiert, aber sie kümmern sich in JMP alle genau gleich darum .
	Ich möchte also ein Beispiel dafür geben, was passieren würde, wenn wir bei der Analyse unserer Daten die Nachweisgrenzen einfach ignorieren würden.
	Also in diesem Beispiel
	Im Histogramm unten können Sie sehen, dass ich eine echte Bevölkerung habe, und das sind alle meine grünen Balken, aber nehmen wir an, ich habe eine begrenzte Erkennung.
	Bei 10 und darunter kann ich keine genaue Messung erhalten, also ist es nicht null.
	Ich weiß nicht, wie viel von dem, was auch immer ich zu messen versuche, da ist, also wie viele Teilchen es gibt, also ist die richtige statistische Methode dafür wieder die Zensur, und es gibt einen sehr guten Vortrag von Michael Crotty von JMP in Discovery 2017
	und wenn Sie weitere statistische Details wünschen, sollten Sie sich seinen Vortrag ansehen.
	In Ordnung, gehen wir also dieses Beispiel durch. Nehmen wir also an, wir haben diese begrenzte Erkennung von 10 und
	Was wir tun werden, ist, diesen Teil der Bevölkerung so zu behandeln
	dass wir nicht wirklich wissen, was es ist, also
	Hier habe ich ein Histogramm, also wieder rechts hier ist meine wahre Population.
	Und ich habe hier ein paar verschiedene Szenarien, also sagen wir, meine Erkennungsgrenze ist 10
	und ein andermal ist es 11 und dann ist es 12. Was ich hier also tue, ist, dass ich diese Daten nehme und sie tatsächlich in Richtung 10 schiebe.
	Lassen Sie mich Ihnen zeigen, wie das aussieht. Das passiert also nicht automatisch mit den Nachweisgrenzen, das ist ein Beispiel, das ich konstruiert habe.
	Wenn Sie sich also zum Beispiel Zeile 7 ansehen, ist mein wahrer Wert 9,22.
	Aber wenn ich eine Nachweisgrenze von 10 habe.
	Dann bin ich das nicht, ich wüsste den Wert von 9,22 eigentlich nicht und könnte ihn bestenfalls als 10 aufschreiben.
	Alternativ könnte ich es als fehlend oder null setzen, aber ich denke, 10 könnte etwas realistischer sein.
	Wenn meine begrenzte Erkennung jetzt 11 wäre, müsste ich diese Zahl auf 11 verschieben, und wenn meine begrenzte Erkennung 12 wäre, würde ich diesen Datenpunkt verschieben und ihn in eine 12 umwandeln.
	Was wir also sehen, ist besonders, wenn Sie hier bei 12 vorbeischauen. Ich habe meine Daten hier wirklich gebündelt.
	Der Effekt, den dies auf den Mittelwert hat, ist, dass mein Mittelwert in meiner wahren Population etwa 10,5 beträgt.
	Was 10 betrifft, geht es zu 10,7 und dann wird mein Mittelwert höher, es wird 11,2 und dann ist es 12, es ist tatsächlich, dass der Mittelwert an dieser Nachweisgrenze liegt, wenn ich all diese Werte nehme und sie in diese untere Grenze umwandele.
	Ich entferne mich also weit von meinem wahren Mittelwert hier von 10,5.
	Aber schauen Sie, was mit unseren Variationsmaßen passiert; meine Standardabweichung ist eine in meiner wahren Grundgesamtheit,
	und es geht auf 0,8, wenn die Nachweisgrenze 10 ist, und dann geht es auf 0,4 für 11 und dann ganz nach unten auf 0,2.
	Meine Variationsmaße werden also kleiner und ich bin tatsächlich zuversichtlicher in Bezug auf die Messung, die ich tatsächlich mache, die weit von der tatsächlichen Population entfernt ist.
	Also habe ich das in den folgenden Grafiken in der Mitte hier zusammengefasst, Sie können sehen, dass ich meine wahre Bevölkerung habe.
	Und ich verbinde die Mittel mit den anderen, denen ich dieses falsche Erkennungsniveau auferlegt habe, und Sie können sehen, dass die Mittel dramatisch höher werden und sich immer weiter von der Wahrheit entfernen.
	Die Balken hier sind die Standardabweichung und Sie können sehen, dass diese kleiner werden und dann ist die orange Schattierung das 95% Konfidenzintervall meines Namens.
	Hier rechts, im oberen Diagramm, habe ich sowohl den Mittelwert als auch den Median grafisch dargestellt, und Sie können sehen, dass sie sich ähnlich verhalten.
	was überraschend ist, weil Sie denken würden, dass der Median etwas robuster wäre, aber in dieser Situation hilft es Ihnen nicht wirklich weiter.
	Und darunter habe ich meine Variationsmaße und Sie können sehen, dass sie kleiner werden, wenn wir diese immer höheren Grenzen auferlegen.
	Es sieht also so aus, als würden wir wirklich gut abschneiden, oder? Mein Vertrauen in meine Messung meines Mittelwerts wird wirklich ziemlich,
	ziemlich klein, aber die Wahrheit ist, dass ich mich immer weiter von diesem wahren Populationswert entferne, und ich werde zuversichtlicher, je weiter ich mich entferne.
	Dies ist also wirklich eine Sorge, dass Sie nicht unbedingt erkennen können, was wirklich vor sich geht, und Sie werden sich in Bezug auf die Dinge fälschlicherweise sicher sein.
	Wenn wir also die Nachweisgrenzen auf geplante Experimente erweitern,
	Was Sie in Kürze in einer DEMO sehen werden, ist, dass wir unsere kritischen Faktoren nicht finden werden, und wir werden auch nicht die wahre Beziehung zwischen unseren Faktoren entdecken.
	Nun, bevor ich Ihnen das in JMP zeige, habe ich wirklich die Literatur durchgesehen und versucht, einige Beweise aus der realen Welt zu finden, wo ich dachte, ich könnte einen Mangel an Robustheit finden
	bezogen auf Nachweisgrenzen in einem entworfenen Produkt. Und ich habe festgestellt, dass es diesen netten internen Vergleich mit COVID-19-Diagnosetests gibt.
	Also Anfang 2020,
	Es gab mehr als 20 Tests, für die die FDA eine Notfallgenehmigung erteilte.
	Und das sind alles Echtzeit-PCR-Tests und sie testen die Viruslast, also wie viele Kopien des Virusgenoms Sie haben.
	Nun, zunächst, weil es keinen Standard gab – weil es etwas ganz Neues ist, das wir noch nie gesehen hatten – konnten Unternehmen ihren eigenen internen Standard entwickeln und verwenden.
	Jetzt, später im Jahr, erstellte die FDA ihren eigenen Standard und gab diesen heraus und bewertete die diagnostischen Tests neu. So kann ich diese beiden unterschiedlichen Zeitpunkte desselben Tests mit unterschiedlichen Standards vergleichen.
	Also entschied ich, dass ich einfach die Rangfolge der Tests machen sollte. Woher wissen Sie, was ein guter Test und ein schlechter Test ist? Wie soll ich diese in eine Rangfolge bringen?
	Nun, wir können uns die analytische Beziehung zwischen der Viruslast ansehen, die wiederum die Anzahl der Genomkopien ist, die das Virus herstellt
	und die klinische Sensitivität des diagnostischen Tests. Hier auf der X-Achse haben wir also, wie viele Genomkopien es pro Milliliter gibt, also die Viruslast.
	Und kleinere erkennt leichte Fälle. Und wenn wir hier ganz rechts drüben sind, werden wir wirklich nur wirklich super stark infizierte Personen entdecken, also Superspreader.
	Und dann, was hier die y-Achse ist, das ist der Anteil der entdeckten Fälle. Und noch einmal, das ist hier ein echter Beweis, also können wir an dieser schwarzen Linie sehen, dass es eine klinische Sensitivitätsbeziehung gibt, wie gut,
	Es tut mir leid, wie klein von a
	Viruslast, die wir erkennen können. Es ist also gut, eine geringere Viruslast zu erkennen, und das verwende ich für die Rangfolge.
	Ich habe also zwei verschiedene Zeitpunkte, den 2. April und den 15. September, und dann habe ich für jeden Zeitpunkt die Rangfolge der Nachweisgrenze für jeden Standard erstellt.
	Wenn also diagnostische Tests auf robuste Weise durchgeführt werden, würden wir mehr oder weniger die gleiche Rangordnung und ähnliche Nachweisgrenzen erwarten.
	Wenn es an Robustheit bei der Gestaltung dieser Tests mangelte, dann würden wir tatsächlich eine Änderung der Rangfolge und unterschiedliche Nachweisgrenzen erwarten.
	Was habe ich also gefunden?
	Hier habe ich also die Daten, die ich gefunden habe, grafisch dargestellt, und ich habe vier separate
	Panels hier in meiner Grafik.
	Und innerhalb jedes Panels verbinde ich denselben diagnostischen Test an zwei verschiedenen Daten. So verbinde ich zum Beispiel in der violetten Linie auf der linken Seite
	vom 2. April zum 15. September, und dieser spezielle diagnostische Test wurde ursprünglich auf Platz 16 eingestuft und stieg dann bis auf Platz 1 auf.
	Und ich zeichne auch, ich zeichne, die endgültigen Nachweisgrenzen. Dieser wäre also in einem anderen Panel viel schlechter gewesen, wenn ich den Anfangswert vom 2. April grafisch dargestellt hätte, also ist dies der Endwert.
	Dieser Test wurde also viel, viel besser und was wir sehen, ist, dass es ein paar andere Tests gibt, die ihre Erkennungsfähigkeit dramatisch erhöht haben
	die Nachweisgrenze und ihre Fähigkeit, immer kleinere Viruslasten nachzuweisen.
	Aber wir sehen auch Tests, die viel, viel schlechter geworden sind, und wieder ändern sie sich um mehrere Größenordnungen, also zum Beispiel dieser untere hier in Rot, es war am 2. April der drittbeste Test, aber dann es fiel bis hinunter zu Nummer 14.
	Ich denke, was dies zeigt, ist, dass es im Allgemeinen nur an Robustheit mangelt und wie diese Aufgaben ursprünglich gemacht wurden.
	Ich weiß nicht, wie diese Tests gemacht wurden.
	Ich weiß nicht, ob sie JMP und ein entworfenes Experiment und Nachweisgrenzen verwendet haben, aber ich denke, die Anwendung dieser Art von Techniken könnte sicherlich alles, was Nachweisgrenzen verwendet, viel robuster machen.
	Schauen wir uns also JMP an.
	Wie richte ich also Nachweisgrenzen ein?
	Nun, Sie können dies direkt im benutzerdefinierten Designer tun. Es gibt jetzt tatsächlich ein Feld, in dem Sie einfach die Nachweisgrenzen eingeben können.
	Wenn Sie dies im benutzerdefinierten Designer für Ihre Ausgabetabelle tun, wird eine Spalteneigenschaft erstellt, die die Erkennungsgrenzen enthält.
	Wenn Sie dies in der generalisierten Regression analysieren, behandelt die generalisierte Regression Folgendes:
	verwendet diese Nachweisgrenzen und behandelt Variablen außerhalb dieser Nachweisgrenzen als zensierte Werte.
	Lassen Sie mich Ihnen zeigen, wie Sie dies in JMP tun.
	So würde also eine Datentabelle aussehen, die ich beim Design von Experimenten erstellt habe. So bin ich also hierher gekommen, ich bin zu DOE, Custom Designer, gegangen.
	Und Sie können genau hier sehen, wo ich meine Nachweisgrenzen für jede meiner Antworten eingeben würde.
	Es ist langweilig, mir beim Tippen zuzusehen, also lassen Sie mich Ihnen zeigen, wie ich dieses Setup für diese bestimmte Datentabelle bereits habe.
	Und hier habe ich mehrere Antworten.
	Und ich habe eine Vielzahl verschiedener Arten von Nachweisgrenzen, also habe ich für einige meiner Antworten sowohl eine obere als auch eine untere Nachweisgrenze. Sie können eine Seite in beide Richtungen haben.
	Hier habe ich also nur eine untere Nachweisgrenze und hier habe ich nur eine obere Nachweisgrenze.
	Und Sie können es natürlich einfach leer lassen, wenn Sie keine Nachweisgrenze haben.
	Und wenn wir schauen.
	Was wir in der Datentabelle sehen können, ist, dass Sie dies tatsächlich als Nachweisgrenze sehen können.
	Aber ich kann alle auswählen.
	Und scrollen Sie einfach durch und zeigen Sie Ihnen, wie die Nachweisgrenze aussieht. Es ist also nur ein anderes Element in der Spalteneigenschaft. Also hier ist meine obere und untere.
	Und wieder habe ich eine obere und eine untere.
	Bei diesem ist dies nur meine untere Grenze und beim nächsten ist dies nur meine obere Grenze.
	Jetzt hat die Viskosität überhaupt keine, also wenn ich zurückgehen und dies manuell hinzufügen wollte oder wenn Sie Nachweisgrenzen für die Analyse verwenden, es aber nicht in einem Designexperiment eingerichtet haben,
	Sie können einfach zu den Spalteneigenschaften gehen und es ist hier in der Liste. Das sind also alles Spalteneigenschaften, die für ein entworfenes Experiment gelten.
	Fügen Sie einfach Nachweisgrenzen hinzu, und dann können wir einfach den gewünschten Wert eingeben, also könnten wir 1300 sagen.
	Und
	für eine einseitige Begrenzung.
	Und das sollte man einfach hinzufügen und dann wird es da sein.
	So kommen Sie also an die Nachweisgrenze.
	Datentabellen und Spaltenspalteneigenschaften.
	In Ordnung, lassen Sie uns jetzt darüber sprechen, wie Daten mit Nachweisgrenzen analysiert werden.
	Dafür möchte ich ein Experiment analysieren, das mit Custom Designer erstellt wurde und das Ziel dieses Experiments war, die Bestimmung eines Pestizids aus Wasserproben zu optimieren.
	Es ist ein Drei-Faktoren-Experiment mit 32 Läufen und einem optimalen Design.
	Neun dieser Beobachtungen lagen unter der Nachweisgrenze von 1 %.
	Daher zeige ich Ihnen, wie Sie die Daten in JMP analysieren.
	Aber dann möchte ich doch auch diesen zusätzlichen Vergleich anstellen. Was wäre also, wenn wir keine Nachweisgrenzen verwendeten oder hätten?
	Nun, meine begrenzte Erkennung liegt bei 1 %, und wir sind uns wieder nicht sicher, was diese tatsächlichen Werte sind, also könnten wir für einen Fall und dann null nehmen.
	Es gibt also kein Pestizid in der Wasserprobe, oder wir können sagen, dass es genau an dieser Nachweisgrenze liegt, und den Wert von eins verwenden. Das sind also die beiden alternativen Szenarien. Und was Sie sehen werden, ist, wenn wir die Nachweisgrenzen nicht nutzen,
	Wir werden nicht alle unsere Faktoren finden und es wird tatsächlich ziemlich irreführend und ungenau in unseren Ergebnissen sein.
	Lassen Sie mich Ihnen zeigen, wie Sie dies in JMP tun.
	Das ist also, was meine.
	Design sieht so aus, also habe ich Metacrate als Antwort und hier sind meine oberen und unteren Nachweisgrenzen.
	Hier sind meine drei Faktoren.
	Und ich habe gerade eine Antwortoberfläche gemacht
	Design so, dass es jeder ist
	Faktor, und dann die quadratische und die Zwei-Wege-Wechselwirkung, und ich landete bei einem 32-Run-Design.
	So sehen die Daten aus.
	Also noch einmal, dies sind die Ergebnisse in meinem Versuchsplan und in den Fällen, in denen ich sie habe
	Null, das sagt meine Maschine, meine Maschine sagte, ich habe nichts entdeckt, aber der wahre Fall ist, dass es zensiert ist, und hier habe ich Nachweisgrenzen, die hier drin sind, wenn ich meinen Versuchsplan aufstelle.
	Und wir werden dies mit generalisierter Regression analysieren.
	Es macht Erkennungsgrenzen oder nicht in regelmäßigen kleinsten Quadraten. Obwohl ich dieses Skript ausführen könnte, möchte ich Ihnen zeigen, wie ich das tatsächlich eingerichtet habe.
	Also habe ich Metacrate als meine Ergebnisvariable und wir werden die generalisierte Regression verwenden.
	Und hier ist eine normale Verteilung in Ordnung, die zu den Daten passt, aber sie führt zu negativen Vorhersagewerten, und es gibt keinen negativen Wert für die Menge an Pestizid, die ich habe.
	Um es positiv zu halten, werde ich das tatsächlich ändern, um normal zu protokollieren, damit alle meine Vorhersagewerte positiv sind.
	Und beachten Sie, dass ich nichts für die Zensur eingeben muss. Ich habe hier die Option, aber JMP kümmert sich automatisch darum.
	Wenn wir ein Design der Experimentanalyse durchführen und die Regression verallgemeinern, ist die Vorwärtsauswahl eine gute Wahl, sie ist einer schrittweisen Regression oder einer schrittweisen Regression sehr ähnlich, mit der Sie vielleicht vertraut sind
	in der Modellplattform in the fit.
	Was wir also in meiner Modellzusammenfassung sehen können, ist, dass es mich daran erinnert, dass es Nachweisgrenzen hat.
	Und mein RSquare ist 0,91, das passt also wirklich gut.
	Und wenn wir uns die Details dessen ansehen, was hier vor sich geht,
	Wenn Sie mit einem Lösungspfad nicht vertraut sind und die Regression verallgemeinern, sehen Sie sich an, wie die Parameter in das Modell eingegeben werden, also ist es wieder eine Vorwärtsauswahl.
	und dann werden sie für ihre Wirkungsstärke skaliert, also ist das erste, das eingegeben wird, mein Dichlormethan, und es hat einen positiven Effekt auf das Ergebnis.
	Aber das Quadratische kam als nächstes herein, und es hat ein negatives,
	ein negativer Effekt, also buchstäblich eine negative Schätzung.
	Es macht also Spaß, dies zu sehen und damit zu interagieren, und insgesamt hat das beste Modell, das auf der minimalen AIC-Punktzahl basiert, fünf Schritte.
	Jetzt visualisiere ich die Gleichung gerne mit dem Prediction Profiler.
	Und ich werde das nur für eine Minute vereinfachen und etwas größer machen.
	Was der Vorhersageprofiler uns also zeigt, das ist unsere Ergebnisvariable Metacrate und es ist hier die y-Achse, dann ist jedes Quadrat einer der Faktoren in unserem Experiment.
	Und was wir betrachten, ist die Gleichung oder die Beziehung
	grafisch. Wir können also Wechselwirkungen sehen, weil sich die Form für die anderen Faktoren ändert, wenn ich dies ändere, wenn ich Dichlormethan ändere, und Sie können sicherlich sehen, dass in diesen Parametern eine große Krümmung vor sich geht.
	Ich habe auch meine tatsächliche durch vorhergesagt
	Handlung und das sieht eigentlich ziemlich gut aus.
	Was ich also tun möchte, ist, ich möchte die Menge an Metacrate maximieren, die ich erkennen kann, deshalb habe ich mein Experiment durchgeführt. Also werde ich JMP bitten, die maximale Stufe zu finden.
	Und es wurde festgestellt, dass die maximale Menge an Metacrate, die ich feststellen konnte, 38,6 beträgt.
	Und das für diese Faktoreinstellungen, also ist meine Wasserprobe knapp unter sechs für diese Menge Methanol und diese Menge Dichlormethan.
	Das ist also das Ergebnis meines Experiments, und ich würde gerne zurückgehen und es tatsächlich testen und sicherstellen, dass es funktioniert.
	Nun, was wäre, wenn ich die Nachweisgrenzen ignoriere und einfach etwas anderes probiere.
	Also hier habe ich genau die gleichen Daten.
	Mit Metacrate mit Null, aber ich habe ein paar Spalten hinzugefügt. Und eine Spalte, sagte ich, na ja, vielleicht ist sie tatsächlich an der unteren Grenze, sie ist bei eins rechts, also habe ich diese Werte statt null einfach in eins geändert.
	Und dann, alternativ, was wäre, wenn in diesen Proben nichts zu finden wäre, und das wäre dann null, und in diesem Fall kann ich null nicht verwenden, weil es logarithmisch normal ist, also habe ich nur ein winziges ausgewählt , ein sehr kleiner Wert
	also eins mal 10 hoch minus 12 richtig also Punkt 0,00000000001 denke das ist die richtige Anzahl von Nullen.
	Lassen Sie uns also die Daten mit diesen beiden Bedingungen analysieren und wieder werden wir die Nachweisgrenzen nicht verwenden.
	Anstelle von Metacrate werde ich also den ersten einfügen, in dem wir einfach alle diese Werte auf die untere Erkennungsgrenze zurücksetzen werden.
	Wir werden eine Vorwärtsauswahl durchführen.
	Es gibt also keine, Sie können sehen, dass es hier keine Erkennungsgrenzen gibt, wie es sie gab, bevor mein RSquare knapp unter 0,7 liegt.
	Aber Sie können sowohl aus meinem Lösungsweg als auch aus meiner Parameterschätzungstabelle sehen,
	Ich habe nur drei Schritte, vorwärts zu meinem Modellieren und ich habe nicht viele Sachen aufgegriffen, ich habe hier viele Leerstellen und, wenn wir uns das Bild von meinem ansehen
	Gleichung hier unten im Profiler können Sie sehen, dass mir tatsächlich einer meiner Faktoren fehlt, wir können ihn mit diesem hier drüben vergleichen, ich habe Methanol total vermisst.
	Und wenn ich maximiere
	Um die größte Menge an Metacrate zu finden, die ich finden konnte, sind es nur etwa 16.
	Und mein eigentliches von Predicted Plot sieht nicht sehr gut aus, es sieht nicht sehr glücklich aus.
	Das ist also eine Situation richtig und wieder, also haben wir einen unserer Faktoren einfach total verfehlt, wir haben ihn einfach nicht aufgegriffen.
	Und dann schauen wir uns die andere Situation an, wenn statt einer Was, wenn es fast Null ist?
	Nicht ganz null, aber sehr, sehr nahe.
	Auswahl weiterleiten.
	Auch hier verwenden wir keine Nachweisgrenzen, aber sehen Sie sich das an, mein RSquared ist 0,997.
	Es glaubt also, eine wirklich gute Passform gefunden zu haben.
	Aber irgendetwas ist hier immer noch seltsam, ich habe nur drei Schritte in meinem Modell, ich habe nicht wirklich viel gefunden, fand ich
	mein Dichlormethan und ich habe gerade noch mein Probenvolumen abgeholt.
	Wenn wir uns den Predict Prediction Profiler ansehen.
	Wieder fehlt mir Methanol, also habe ich einen meiner Faktoren nicht, mein tatsächliches durch Vorhergesagtes Diagramm sieht so so aus, aber was um alles in der Welt hier vor sich geht, wo um alles in der Welt ist die Spitze meiner Kurve.
	Ich werde diese adaptive y-Achse einschalten, um sicherzustellen, dass ich alles sehen kann.
	Und es hat Vorhersagewerte, die in die Hunderte gehen, und wenn ich nur
	Ich werde es nicht tun, ich könnte die Maximierung der Erwünschtheit ausführen, aber Sie können sehen, dass es über 470 liegt, selbst wenn ich nur manuell versuche, etwas auszuwählen. Jetzt erinnere dich,
	Meine Nachweisgrenze war 99, also machen diese Werte nicht einmal Sinn.
	Und
	Ich habe einen Faktor übersehen, es ergibt keinen Sinn, aber ein Grund, warum ich dieses Beispiel wirklich zeigen möchte, ist, dass ich das bei Kunden gesehen habe,
	und ich konnte ihnen nicht erklären, was los war, also weiß ich, dass dies tatsächlich passiert, wenn Menschen die Nachweisgrenzen nicht nutzen,
	Sie erhalten ein sehr, sehr seltsames Ergebnis, weil Sie eine Entscheidung getroffen haben, wie Sie die Daten in Ihrer Analyse behandeln, Sie haben sie entweder behandelt, ist eine Eins oder eine Null.
	In diesem Fall sind dies die beiden alternativen Szenarien, aber sie sind weit, weit von der tatsächlichen Realität dessen entfernt, was die tatsächliche Fähigkeit zum Nachweis dieses Pestizids im Wasser ist, und vom Ergebnis meines Designexperiments.
	So.
	Der Schlüssel zum Mitnehmen, mit dem ich wirklich jeden verlassen möchte, ist Nummer eins, die Erkennungsgrenzen sind sehr wichtig.
	Und Sie sollten sie nicht ignorieren und sie nicht durch die mit dem hohen oder dem niedrigen Wert ersetzen, und Sie sind es wirklich
	Sie sollten diese Ungewissheit in die eigentliche Analyse einbeziehen. Und JMP macht dies sehr einfach. Sie können dies in der Design of Experiments-Plattform tun, Sie können es in einer Spalteneigenschaft tun.
	Und dann, sobald sie dort sind, können Sie mithilfe der verallgemeinerten Regression eine Analyse durchführen, die die Nachweisgrenzen enthält, und Sie erhalten das allerbeste Modell. Sie finden Ihre Faktoren und die tatsächlichen Beziehungen zwischen ihnen.
	Und schließlich ermutigen wir bei JMP die Leute wirklich, zurückzugehen und Daten erneut zu analysieren, bei denen Sie vielleicht einige dieser seltsamen Ergebnisse gesehen haben.
	Es könnte so sein, dass Sie wissen sollten, wann Sie eine Nachweisgrenze haben, basierend auf einer Art Analysemethode
	und wir glauben wirklich, dass die Leute zurückgehen und diese Daten erneut analysieren sollten, und die Verwendung von Nachweisgrenzen in Ihrem Design von Experimenten wird Sie wirklich viel schneller und viel genauer an Ihr Ziel bringen.
	Vielen Dank, dass Sie sich meinen Vortrag angehört haben, und wenn Sie Fragen haben oder ein Follow-up wünschen, können Sie sich gerne an mich wenden.

AusbrechenDAMHIRSCHKUHStatistik und Modellierung