Conférencier
|
Transcription
|
| Mike Anderson |
Bonjour à tous. |
| |
Parlons de la nouvelle fonctionnalité de JMP 16, les limites de détection. |
| |
Ce dont je vais vous parler aujourd'hui, c'est du contexte de la définition des limites de détection. |
| |
Je veux passer par quelques considérations statistiques, si vous ignorez les limites de détection. |
| |
J'ai regardé autour de moi et j'ai trouvé ce que je pense être des preuves réelles du manque de robustesse de certains produits conçus, en particulier les tests de diagnostic COVID-19 et ces produits intègrent les limites de détection. |
| |
Et puis enfin, je vais vous montrer comment utiliser réellement les limites de détection dans JMP, je vais vous montrer comment les saisir, comment les configurer dans la conception d'expériences et comment analyser vos données à l'aide de limites de détection. |
| |
Comment savoir s'il y a quelque chose ? |
| |
Donc, cela peut sembler un peu comme une question ésotérique, mais lorsque vous utilisez une méthode analytique, c'est moins une question ésotérique et plus une question sur la qualité de votre système. |
| |
Ainsi, par exemple, si nous essayons de trouver une très petite quantité d'impureté dans quelque chose, à un moment donné, notre système, avec lequel nous le détectons, ne sera pas en mesure de détecter des quantités inférieures à un certain niveau et qui limite appelée limite de détection. |
| |
Il existe de nombreux types de définitions des limites de détection. |
| |
Elles sont, |
| |
ils varient selon le domaine et aussi selon la méthode d'analyse, j'en ai donc mis quelques-uns ici, dit la FDA, pour un test de diagnostic moléculaire, la détection limitée est la concentration la plus faible d'une cible qui peut être détectée dans 95% des mesures répétées. |
| |
Maintenant, si nous regardons ce que dit le monde de la chimie, il définit une méthode de détection limitée, comme la plus petite concentration ou quantité absolue |
| |
d'un analyte que le signal est significativement plus grand que celui d'un blanc approprié. Donc, dans ces deux définitions, il s'agit intrinsèquement de méthodes différentes. |
| |
Et j'ai parcouru plus de littérature et si vous faites quelque chose comme la chromatographie liquide à haute performance, ils parlent de rapports signal sur bruit lorsque vous regardez les courbes. |
| |
Si vous créez des courbes d'étalonnage, il existe certaines méthodologies pour cela et là, il existe un certain nombre de définitions différentes. |
| |
Parmi les limites de détection, j'encourage donc tout le monde à trouver celle qui convient le mieux à leur méthode d'analyse, puis à suivre également les directives spécifiques à votre secteur. |
| |
Dans JMP, |
| |
nous définissons les limites de détection, car... c'est une propriété de colonne et au-delà de laquelle |
| |
la réponse ne peut pas être mesurée, donc elle la limite et ce que cela fait réellement lorsque nous analysons les données, c'est que cela va censurer les données. |
| |
Donc, l'exemple que j'ai donné précédemment de rechercher une très petite quantité d'impuretés qui serait une limite inférieure et qui resterait censurée. |
| |
Mais il peut également s'agir d'une limite supérieure, par exemple, si vous appliquez une pression sur un objet, votre manomètre peut s'arrêter à une certaine limite supérieure. |
| |
Vous pourriez en fait appliquer plus de pression dessus, mais votre jauge ne va tout simplement pas plus haut et ce serait une limite supérieure et ces données seraient censurées à droite, mais elles s'occupent toutes exactement de la même manière dans JMP . |
| |
Donc, je veux passer en revue un exemple de ce qui se passerait si nous ignorions simplement les limites de détection lorsque nous analysons nos données. |
| |
Donc dans cet exemple, |
| |
l'histogramme ci-dessous, vous pouvez le voir, j'ai une vraie population, et ce sont toutes mes barres vertes mais supposons que j'ai une détection limitée. |
| |
À 10 et je ne peux pas obtenir une mesure précise en dessous de cela, donc ce n'est pas zéro. |
| |
Je ne sais pas combien la chose, de tout ce que j'essaie de mesurer est là, donc combien de particules il y a, donc la méthode statistique correcte pour cela encore une fois est la censure et il y a une très bonne présentation de Michael Crotty de JMP dans Discovery 2017 |
| |
et si vous souhaitez plus de détails statistiques, vous devriez aller voir son discours. |
| |
Très bien, alors passons en revue cet exemple, alors disons que nous avons cette détection limitée de 10 et |
| |
ce que nous allons faire, c'est que nous allons traiter cette partie de la population comme |
| |
que nous ne savons pas vraiment ce que c'est, alors |
| |
ici j'ai un histogramme donc encore une fois sur la droite voici ma vraie population. |
| |
Et j'ai quelques scénarios différents ici, donc si disons que ma limite de détection est de 10 |
| |
et puis une autre fois c'est 11 et puis c'est 12. Donc, ce que je fais ici, c'est que je prends ces données et que je les pousse vers 10. |
| |
Laissez-moi vous montrer à quoi cela ressemble. Ce n'est donc pas quelque chose qui se produit automatiquement avec les limites de détection, c'est un exemple que j'ai construit. |
| |
Donc, si vous regardez, par exemple, à la ligne 7, ma vraie valeur est de 9,22. |
| |
Mais si j'ai une limite de détection de 10. |
| |
Alors je ne suis pas, je ne connaîtrais pas réellement cette valeur de 9,22 et le mieux que je puisse faire est de simplement l'écrire à 10. |
| |
Alternativement, je pourrais le mettre comme manquant ou zéro, mais je pense que 10 pourrait être un peu plus réaliste. |
| |
Maintenant, si ma détection limitée était de 11, je devrais déplacer ce nombre jusqu'à 11 et, de même, si ma détection limitée était de 12, je déplacerais ce point de données et le transformerais en 12. |
| |
Donc, ce que nous voyons, c'est surtout si vous regardez ici à 12, j'ai vraiment rassemblé mes données ici. |
| |
L'effet que cela a sur la moyenne est que, dans ma vraie population, ma moyenne est d'environ 10,5. |
| |
Quant à 10, il passe à 10,7, puis ma moyenne augmente, il devient 11,2, puis 12, c'est en fait la moyenne est à cette limite de détection lorsque je prends toutes ces valeurs et que je les transforme en cette limite inférieure. |
| |
Je m'éloigne donc beaucoup de ma vraie moyenne ici de 10,5. |
| |
Mais regardez ce qui arrive à nos mesures de variation ; mon écart type est de un dans ma vraie population, |
| |
et il passe à 0,8 si la limite de détection est de 10, puis il passe à 0,4 pour 11, puis descend à 0,2. |
| |
Donc, mes mesures de variation deviennent plus petites et donc je deviens plus confiant quant à la mesure que je fais réellement, qui est loin de ce qu'est réellement la population réelle. |
| |
J'ai donc résumé cela dans les graphiques suivants au milieu ici, vous pouvez voir, j'ai ma vraie population. |
| |
Et je connecte les moyens des autres où j'ai imposé ce faux niveau de détection et vous pouvez voir que les moyens augmentent considérablement et s'éloignent de la vérité. |
| |
Les barres ici sont l'écart-type et vous pouvez voir, celles-ci deviennent plus petites et ensuite l'ombrage orange est l'intervalle de confiance à 95% de mon nom. |
| |
Ici à droite, sur le graphique supérieur, j'ai en fait tracé à la fois la moyenne et la médiane et vous pouvez voir qu'ils se comportent de la même manière, |
| |
ce qui est surprenant car on pourrait penser que la médiane serait un peu plus robuste mais ce n'est pas dans cette situation que cela ne vous aide vraiment pas. |
| |
Et en dessous, j'ai mes mesures de variation et vous pouvez voir qu'elles diminuent à mesure que nous imposons ces limites de plus en plus élevées. |
| |
Donc on dirait qu'on s'en sort vraiment bien, n'est-ce pas ? Ma confiance dans ma mesure de ma moyenne devient vraiment assez, |
| |
assez petite, mais la vérité est que je m'éloigne de plus en plus de cette vraie valeur de population et que je deviens plus confiant à mesure que je m'éloigne. |
| |
C'est donc vraiment une préoccupation que vous ne puissiez pas nécessairement détecter ce qui se passe réellement, et vous serez faussement confiant sur les choses. |
| |
Ainsi, lorsque nous étendons les limites de détection aux expériences conçues, |
| |
ce que vous allez voir dans une DEMO dans peu de temps, c'est que nous n'allons pas trouver nos facteurs critiques, et nous ne découvrirons pas non plus la véritable relation entre nos facteurs. |
| |
Maintenant, avant de vous montrer cela dans JMP, j'ai vraiment parcouru la littérature et essayé de trouver des preuves du monde réel, où je pensais pouvoir trouver un manque de robustesse |
| |
liés aux limites de détection dans un produit conçu. Et ce que j'ai fait, c'est que j'ai découvert qu'il y avait cette belle comparaison interne avec les tests de diagnostic COVID-19. |
| |
Ainsi, début 2020, |
| |
il y avait plus de 20 tests auxquels la FDA a donné une autorisation d'utilisation d'urgence. |
| |
Et ce sont tous des tests PCR en temps réel et ils testent la charge virale, donc combien de copies du génome viral vous avez. |
| |
Maintenant, au départ, parce qu'il n'y avait pas de norme - parce que c'est quelque chose de tout nouveau que nous n'avions jamais vu auparavant - les entreprises pouvaient développer et utiliser leur propre norme interne. |
| |
Plus tard dans l'année, la FDA a créé sa propre norme et l'a distribuée et a réévalué les tests de diagnostic. Ainsi, je peux comparer ces deux moments différents du même test en utilisant des normes différentes. |
| |
Donc, ce que j'ai décidé de faire, c'est de faire simplement l'ordre de classement des tests. Comment savoir ce qu'est un bon test et un mauvais test ? Comment vais-je les classer ? |
| |
Eh bien, nous pouvons examiner la relation analytique entre la charge virale, qui est à nouveau le nombre de copies du génome que le virus fabrique |
| |
et la sensibilité clinique du test diagnostique. Donc, ici sur l'axe X, nous avons combien de copies de génome il y a par millilitre, donc la charge virale. |
| |
Et plus petit détecte les cas bénins. Et nous arrivons ici loin vers la droite, nous ne détecterons vraiment que des individus très fortement infectés, donc des super épandeurs. |
| |
Et puis, qu'est-ce que l'axe des y ici, c'est la fraction de cas détectés. Et encore une fois, c'est une preuve réelle ici, donc ce que nous pouvons voir par cette ligne noire, c'est qu'il existe une relation de sensibilité clinique à la qualité, |
| |
Je suis désolé, à quel point |
| |
charge virale que nous pouvons détecter. Donc c'est bien de détecter une charge virale plus petite et c'est ce que j'utilise pour l'ordre de classement. |
| |
J'ai donc deux moments différents, le 2 avril et le 15 septembre, puis pour chaque moment, j'ai classé la limite de détection en fonction de chaque norme. |
| |
Donc, si des tests de diagnostic sont effectués, s'ils étaient effectués de manière robuste, nous nous attendrions plus ou moins au même ordre de classement et à des limites de détection similaires. |
| |
S'il y avait un manque de robustesse dans la conception de ces tests, nous nous attendrions en fait à voir un changement dans l'ordre de classement et des limites de détection variables. |
| |
Alors qu'est-ce que j'ai trouvé ? |
| |
Donc ici, j'ai représenté graphiquement les données que j'ai trouvées, et j'ai quatre |
| |
panneaux ici dans mon graphique. |
| |
Et dans chaque panneau, je connecte le même test de diagnostic à deux dates différentes. Ainsi, par exemple, dans la ligne violette à gauche, je me connecte |
| |
le rang du 2 avril à celui du 15 septembre et ce test de diagnostic particulier était à l'origine classé 16e, puis il est allé jusqu'au numéro 1. |
| |
Et aussi je trace, je trace, les limites finales de détection. Donc, celui-ci aurait été bien pire dans un panneau différent si j'avais représenté graphiquement la valeur initiale du 2 avril, c'est donc la valeur finale. |
| |
Donc, ce test s'est beaucoup, beaucoup amélioré et ce que nous voyons, c'est qu'il y a quelques autres tests qui ont considérablement augmenté leur capacité à détecter une augmentation spectaculaire |
| |
la limite de détection et leur capacité à détecter des charges virales de plus en plus faibles. |
| |
Mais nous voyons aussi des tests qui sont devenus bien, bien pires et encore une fois, ils changent de plusieurs ordres de grandeur, donc, par exemple, celui du bas ici en rouge, c'était le 2 avril le troisième meilleur test, mais ensuite il a chuté jusqu'au numéro 14. |
| |
Donc je pense que ce que cela montre, c'est qu'en général c'est juste un manque de robustesse et comment ces tâches ont été initialement réalisées. |
| |
Je ne sais pas comment ces tests ont été faits. |
| |
Je ne sais pas s'ils ont utilisé JMP et une expérience conçue et des limites de détection, mais je pense que l'application de ce type de techniques pourrait certainement rendre tout ce qui utilise des limites de détection beaucoup plus robuste. |
| |
Alors allons voir JMP. |
| |
Alors, comment configurer des limites de détection ? |
| |
Eh bien, vous pouvez le faire directement dans le concepteur personnalisé. Il y a en fait maintenant une boîte, où vous pouvez simplement taper les limites de détection. |
| |
Lorsque vous faites cela dans le concepteur personnalisé sur votre table de sortie, cela crée une propriété de colonne qui contient les limites de détection. |
| |
Lorsque vous analysez cela en régression généralisée, la régression généralisée traitera, |
| |
utilisera ces limites de détection et traitera les variables en dehors de ces limites de détection comme des valeurs censurées. |
| |
Laissez-moi vous montrer comment procéder dans JMP. |
| |
Voici donc à quoi ressemblerait un tableau de données, que j'ai mis en place dans la conception d'expériences, alors comment je suis arrivé ici, je suis allé au DOE, concepteur personnalisé. |
| |
Et vous pouvez voir ici où je mettrais mes limites de détection pour chacune de mes réponses. |
| |
C'est ennuyeux de me regarder taper, alors laissez-moi vous montrer comment j'ai déjà cette configuration pour cette table de données particulière. |
| |
Et là, j'ai plusieurs réponses. |
| |
Et j'ai une variété de différents types de limites de détection, donc j'ai à la fois une limite de détection supérieure et inférieure pour quelques-unes de mes réponses. Vous pouvez avoir un côté dans les deux sens. |
| |
Donc ici, j'ai juste une limite de détection inférieure, et ici j'ai juste une limite de détection supérieure. |
| |
Et vous pouvez certainement le laisser vide si vous n'avez pas de limite de détection. |
| |
Et si on regarde. |
| |
Dans le tableau de données, ce que nous pouvons voir, c'est que vous pouvez en fait voir cela comme une limite de détection. |
| |
Mais je peux tout sélectionner. |
| |
Et il suffit de les parcourir et de vous montrer à quoi ressemble la limite de détection. C'est donc juste un autre élément dans la propriété de la colonne. Voici donc mon haut et mon bas. |
| |
Et encore une fois, j'ai un haut et un bas. |
| |
Sur celui-ci, c'est ma, juste ma limite inférieure et sur la suivante, c'est juste ma limite supérieure. |
| |
Maintenant, la viscosité n'en a pas du tout, donc si je voulais revenir en arrière et l'ajouter manuellement ou si vous utilisez des limites de détection pour l'analyse, mais que vous ne l'avez pas configuré dans une expérience de conception, |
| |
vous pouvez simplement aller dans les propriétés de la colonne et c'est ici dans la liste. Ce sont donc toutes des propriétés de colonne qui s'appliquent à une expérience conçue. |
| |
Ajoutez simplement des limites de détection, puis nous pouvons simplement taper la valeur que nous voulons, nous pourrions donc dire 1300. |
| |
Et |
| |
pour une limite unilatérale. |
| |
Et cela devrait juste l'ajouter et ensuite ce sera là. |
| |
C'est ainsi que vous entrez dans les limites de détection. |
| |
tables de données et propriétés de colonne de colonne. |
| |
Très bien, parlons maintenant de la façon d'analyser les données qui ont des limites de détection. |
| |
Donc pour cela, je souhaite analyser une expérience qui a été mise en place avec un designer sur mesure et dont le but était d'optimiser le dosage d'un pesticide à partir d'échantillons d'eau. |
| |
C'est une expérience à trois facteurs et elle a eu 32 passages et une conception optimale. |
| |
Neuf de ces observations étaient inférieures à la limite de détection de 1 %. |
| |
Je vais donc vous montrer comment analyser les données dans JMP. |
| |
Mais je veux aussi faire cette comparaison supplémentaire. et si nous n'utilisions pas ou n'avions pas de limites de détection ? |
| |
Eh bien, ma détection limitée est de 1 % et encore une fois, nous ne savons pas quelles sont ces valeurs réelles, donc je suppose que nous pourrions prendre zéro pour un cas et ensuite. |
| |
Il n'y a donc aucun pesticide dans l'échantillon d'eau, ou nous pouvons dire que c'est juste à cette limite de détection et utiliser la valeur de un. Ce sont donc les deux scénarios alternatifs. Et ce que vous allez voir, c'est que si nous n'utilisons pas les limites de détection, |
| |
nous n'allons pas trouver tous nos facteurs et nos résultats seront en fait extrêmement trompeurs et inexacts. |
| |
Laissez-moi vous montrer comment procéder dans JMP. |
| |
C'est donc ce que mon. |
| |
le design ressemble donc j'ai Metacrate comme réponse et voici mes limites de détection supérieure et inférieure. |
| |
Voici mes trois facteurs. |
| |
Et je viens de faire une surface de réponse |
| |
conception donc c'est chacun |
| |
facteur, puis le quadratique et l'interaction bidirectionnelle et j'ai fini par faire un plan à 32 essais. |
| |
Voici à quoi ressemblent les données. |
| |
Encore une fois, ce sont les résultats dans mon plan d'expérience et dans les cas où j'ai |
| |
zéro donc c'est ce que dit ma machine, ma machine a dit que je n'ai rien détecté, mais le vrai cas est qu'il est censuré, et c'est là que j'ai des limites de détection ici depuis la configuration de mon plan d'expérience. |
| |
Et nous allons analyser cela avec une régression généralisée. |
| |
Il fait des limites de détection ou non dans les moindres carrés réguliers. Donc, bien que je puisse exécuter ce script, je veux vous montrer comment j'ai réellement configuré cela. |
| |
J'ai donc Metacrate comme variable de résultat et nous allons utiliser la régression généralisée. |
| |
Et ici, la normale est une distribution correcte qui correspond aux données, mais cela se traduit par des valeurs de prédiction négatives et il n'y a pas de valeur négative pour la quantité de pesticide que j'ai. |
| |
Donc, pour le garder positif, je vais en fait changer cela pour qu'il se connecte normalement afin que toutes mes valeurs de prédiction soient positives. |
| |
Et notez que je n'ai rien à mettre pour la censure, j'ai l'option ici, mais JMP s'en chargera automatiquement. |
| |
Lorsque nous effectuons une analyse de conception d'expérience et généralisons la régression, la sélection directe est un bon choix, c'est très similaire à faire une régression pas à pas ou pas à pas que vous connaissez peut-être |
| |
dans la plate-forme de modèle en forme. |
| |
Donc, ce que nous pouvons voir dans le résumé de mon modèle, c'est qu'il me rappelle qu'il a des limites de détection. |
| |
Et mon RSquare est de 0,91, donc c'est un très bon ajustement. |
| |
Et si nous regardons les détails de ce qui se passe ici, |
| |
si vous n'êtes pas familier avec un chemin de solution et généralisez la régression, ce que vous regardez, c'est comment les paramètres sont entrés dans le modèle, donc encore une fois c'est une sélection vers l'avant, |
| |
puis ils sont mis à l'échelle pour leur ampleur d'effet, donc le premier qui est entré est mon dichlorométhane, et il a un effet positif sur le résultat. |
| |
Mais le quadratique est venu ensuite, et il a un négatif, |
| |
un effet négatif, donc littéralement une estimation négative. |
| |
Et donc, c'est amusant à voir et à interagir avec et, dans l'ensemble, le meilleur modèle basé sur le score AIC minimal comporte cinq étapes. |
| |
Maintenant, j'aime bien visualiser l'équation, avec le profileur de prédiction. |
| |
Et je vais juste simplifier cela pendant une minute et le rendre un peu plus grand. |
| |
Donc, ce que le profileur de prédiction nous montre, c'est notre variable de résultat Metacrate et c'est l'axe y ici, puis chaque carré est l'un des facteurs de notre expérience. |
| |
Et ce que nous regardons est l'équation, ou la relation |
| |
graphiquement. Nous pouvons donc voir des interactions parce que la forme change pour les autres facteurs lorsque je change cela lorsque je change de dichloralméthane, et vous pouvez certainement voir qu'il y a beaucoup de courbure dans ces paramètres. |
| |
J'ai aussi mon réel par prédit |
| |
l'intrigue et ça a l'air plutôt bien. |
| |
Donc, ce que je veux faire, c'est maximiser la quantité de Metacrate que je peux détecter, c'est pourquoi j'ai fait mon expérience. Je vais donc demander à JMP de trouver le niveau maximum. |
| |
Et ce qu'il a trouvé, c'est que la quantité maximale de Metacrate que j'ai pu détecter est de 38,6. |
| |
Et c'est pour ces paramètres de facteur, donc mon échantillon d'eau est un peu moins de six pour cette quantité de méthanol et cette quantité de dichlorométhane. |
| |
C'est donc le résultat de mon expérience, et je voudrais revenir en arrière et tester cela et m'assurer que cela fonctionne. |
| |
Et si j'ignorais les limites de détection et que j'essayais autre chose. |
| |
Donc ici, j'ai exactement les mêmes données. |
| |
Avec Metacrate avec zéro, mais ce que j'ai fait, c'est que j'ai ajouté quelques colonnes. Et une colonne, j'ai dit, eh bien, peut-être que c'est en fait à la limite inférieure, c'est à droite, donc au lieu de zéro, j'ai juste changé ces valeurs en un. |
| |
Et puis, alternativement, eh bien, et si et s'il n'y avait rien dans ces échantillons à trouver, et alors ce serait zéro et dans ce cas, je ne peux pas utiliser zéro parce que c'est log normal, donc j'ai juste choisi un minuscule , une très petite valeur |
| |
donc une fois 10 au moins 12 à droite donc point .00000000001 pense que c'est le bon nombre de zéros. |
| |
Alors analysons les données avec ces deux conditions et encore une fois nous n'allons pas utiliser les limites de détection. |
| |
Donc, au lieu de Metacrate, je vais mettre le premier, où nous allons simplement remettre à zéro toutes ces valeurs, ces valeurs juste à la limite inférieure de détection. |
| |
Nous allons faire une sélection en avant. |
| |
Donc il n'y a pas, vous pouvez voir qu'il n'y a pas de limites de détection ici comme il y en avait avant que mon RSquare soit juste en dessous de 0,7. |
| |
Mais vous pouvez voir à la fois mon chemin de solution et mon tableau d'estimation des paramètres, |
| |
Je n'ai que trois étapes, des étapes vers l'avant pour ma modélisation et je n'ai pas ramassé beaucoup de choses, j'ai beaucoup d'espaces vides ici et, si nous regardons la photo de mon |
| |
équation ici dans le profileur, vous pouvez voir qu'il me manque en fait un de mes facteurs, nous pouvons le comparer à celui-ci ici, j'ai totalement raté le méthanol. |
| |
Et si je maximise |
| |
pour trouver la plus grande quantité de Metacrate que j'ai pu trouver, c'est seulement environ 16. |
| |
Et mon intrigue réelle par prédiction n'a pas l'air très bonne, elle n'a pas l'air très heureuse. |
| |
C'est donc une situation juste et encore une fois, donc nous avons totalement raté l'un de nos facteurs, nous ne l'avons tout simplement pas relevé. |
| |
Et puis regardons l'autre situation si, au lieu d'une Et si c'est presque zéro ? |
| |
Pas tout à fait nul mais très, très proche. |
| |
Sélection vers l'avant. |
| |
Encore une fois, nous n'utilisons pas de limites de détection ici, mais regardez ceci, mon RSquared est de 0,997. |
| |
Il pense donc avoir trouvé un très bon ajustement. |
| |
Mais il y a encore quelque chose d'étrange qui se passe ici, je n'ai que trois étapes dans mon modèle, je n'ai pas vraiment trouvé grand-chose, j'ai trouvé |
| |
mon dichlorométhane et j'ai à peine fini de prendre mon volume d'échantillon. |
| |
Si nous regardons le profileur de prédiction de prédiction. |
| |
Encore une fois, il me manque du méthanol, donc je n'ai pas l'un de mes facteurs. |
| |
Je vais activer cet axe y adaptatif, pour m'assurer que je peux tout voir. |
| |
Et il a des valeurs de prédiction qui se comptent par centaines et si je viens, |
| |
Je ne le ferai pas, je pourrais exécuter la désirabilité maximale, mais vous pouvez voir que c'est plus de 470, même si j'essaie juste de choisir manuellement quelque chose. Maintenant souviens-toi, |
| |
ma limite de détection était de 99, donc ces valeurs n'ont même pas de sens. |
| |
Et |
| |
J'ai raté un facteur, cela n'a pas de sens, mais une partie de la raison pour laquelle je veux vraiment montrer cet exemple est que j'ai vu cela chez des clients, |
| |
et je ne pouvais pas leur expliquer ce qui se passait, donc je sais que cela se produit réellement si les gens n'utilisent pas les limites de détection, |
| |
vous obtenez un résultat très, très étrange parce que vous avez pris une décision sur la façon de traiter les données dans votre analyse, vous l'avez traité soit, est un un ou un zéro. |
| |
Dans ce cas, ce sont les deux scénarios alternatifs, mais ils sont loin, très loin de la réalité réelle de la capacité réelle à détecter ce pesticide dans l'eau, et du résultat de mon expérience de conception. |
| |
Alors. |
| |
Les principaux points à retenir que je veux vraiment que tout le monde reparte sont le numéro un, les limites de détection sont très importantes. |
| |
Et vous ne devriez pas les ignorer et ne les remplacez pas par celui avec la valeur haute ou basse et vous êtes vraiment |
| |
vous devez intégrer cette incertitude dans l'analyse proprement dite. Et JMP rend cela très facile à faire. Vous pouvez le faire dans la plate-forme de conception d'expériences, vous pouvez le faire dans une propriété de colonne. |
| |
Et puis, une fois qu'ils sont là, en utilisant la régression généralisée, vous pouvez faire une analyse qui intègre les limites de détection et cela vous donnera le meilleur modèle, vous trouverez vos facteurs et les relations réelles entre eux. |
| |
Et enfin, chez JMP, nous encourageons vraiment les gens à revenir en arrière et à réanalyser les données, là où vous avez peut-être vu certains de ces résultats étranges. |
| |
Il se peut que vous sachiez quand vous avez une limite de détection basée sur une sorte de méthode analytique |
| |
et nous pensons vraiment que les gens devraient revenir en arrière et ré-analyser ces données et en utilisant des limites de détection dans votre conception d'expériences, cela vous mènera vraiment là où vous essayez d'aller beaucoup plus rapidement et avec beaucoup plus de précision. |
| |
Merci beaucoup d'avoir écouté mon discours et si vous avez des questions ou si vous souhaitez un suivi, n'hésitez pas à me contacter. |
