398719_ja-JP

liliconcom

実験計画法およびデータ分析における新しい JMP 16 検出限界 (2021-US-30MP-879)

レベル: 初心者

 

Laura Higgins 氏、JMP グローバル テクニカル イネーブルメント エンジニア、SAS JMP

 

JMP 16 の DOE プラットフォームには、列のプロパティに検出限界を組み込む新機能があり、JMP Pro の一般化回帰プラットフォームでのモデリング中に自動的に適用されます。 これらの新機能を実演し、検出限界がデータ分析に与える影響について説明します。

非常に少量の物質を探す場合、使用している技術によって制限されます。 物質は存在する可能性がありますが、検出不可能は検出の下限であり、感染の開始を特定したり、少量の不純物を正しく特定したりするなど、重大な状況で低レベルの物質を検出するために非常に実用的に重要です。 データ分析で検出限界を無視すると、重大な影響があります。平均や信頼区間などの基本的な統計に偏りが生じ、誤解を招く可能性があります。 検出限界に関する誤った仮定でデータをモデル化すると、誤ったモデルにつながります。 検出限界は、医薬品および化学薬品の製造、分析化学、診断試験の設計などの産業用途に影響を与えます。

 

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
マイクアンダーソン	やあ。
	JMP 16 の新機能である検出限界について話しましょう。
	今日お話しするのは、検出限界の定義の背景です。
	検出限界を無視している場合は、いくつかの統計的な考慮事項を検討したいと思います。
	周りを見回したところ、いくつかの設計された製品、特に COVID-19 診断テストに堅牢性が欠けているという現実世界の証拠であると思われるものを見つけました。これらの製品には検出限界が組み込まれています。
	そして最後に、JMP で実際に検出限界を使用する方法、検出限界を入力する方法、実験計画法で設定する方法、限界を使用してデータを分析する方法を紹介します。検出の。
	何かがあるかどうかをどうやって知るのですか？
	少し難解な質問のように聞こえるかもしれませんが、分析手法を使用している場合は、難解な質問ではなく、システムがどの程度優れているかについての質問になります。
	したがって、たとえば、ある時点で何かに含まれる非常に少量の不純物を見つけようとしている場合、それを検出しているシステムでは、特定のレベルを下回る量を検出することはできません。検出限界と呼ばれる限界。
	検出限界の定義にはさまざまな種類があります。
	彼らです、
	それらは分野によって、また分析方法によっても異なるため、ここにいくつか挙げてみました.
	さて、化学の世界が何を言おうとしているのかを調べてみると、検出方法が限定的であると定義されており、最小濃度または絶対量として定義されています。
	シグナルが適切なブランクよりも大幅に大きいことを示します。 したがって、これらの 2 つの定義では、本質的にいくつかの異なる方法に関するものです。
	さらに多くの文献を調べたところ、高速液体クロマトグラフィーなどを行っている場合、曲線を見るとシグナル対ノイズ比について言及されています。
	検量線を作成している場合、そのための特定の方法論があり、さまざまな定義があります。
	検出の限界があるため、分析方法に最も適したものを見つけて、業界固有のガイドラインに従うことをお勧めします.
	JMPでは、
	検出限界を定義します...それは列のプロパティであり、それを超えると
	応答は測定できないため、応答が制限されており、データを分析するときにこれが実際に行っていることは、データを検閲することです.
	そのため、下限となる非常に少量の不純物を探す前に私が示した例は、打ち切られたままになります.
	ただし、上限でもある可能性があるため、たとえば、オブジェクトに圧力を加えている場合、圧力計が上限で停止する場合があります。
	実際にはさらに圧力をかけることもできますが、ゲージは単純にそれ以上上がらず、それが上限となり、それらのデータは適切に打ち切られますが、JMP ではすべてまったく同じ方法で処理されています。 .
	ですから、データを分析するときに検出限界を無視するとどうなるかの例を見てみたいと思います.
	したがって、この例では、
	下のヒストグラムを見るとわかるように、私は真の母集団を持っています。それらはすべて緑色のバーですが、検出が限られているとしましょう。
	10 では、それ以下では正確な測定値を取得できないため、ゼロではありません。
	私が測定しようとしているものは何であれ、どれだけのものがそこにあるのかわからないので、粒子がいくつあるので、これに対する正しい統計的方法は打ち切りであり、Michael Crotty による非常に良い話があります。 Discovery 2017 の JMP
	さらに詳しい統計情報が必要な場合は、彼の講演をご覧ください。
	では、この例を見てみましょう。たとえば、10 という限定的な検出があるとしましょう。
	私たちがやろうとしているのは、母集団のその部分を次のように扱うことです
	私たちはそれが何であるかを本当に知らないので、
	ここにヒストグラムがあるので、右側にあるのは私の真の母集団です。
	ここにはいくつかの異なるシナリオがあるので、私の検出限界が 10 であるとしましょう。
	それからまた 11 になり、次に 12 になります。 ここで私がやっていることは、このデータを取得して、実際に 10 に向けて押し上げていることです。
	これがどのようなものかお見せしましょう。 したがって、これは検出限界で自動的に発生するものではありません。これは私が作成した例です。
	たとえば、行 7 を見ると、私の真の値は 9.22 です。
	しかし、10の検出限界があるとします。
	それなら、私は9.22という値を実際には知りません。私ができる最善のことは、それを10として書き留めることです.
	または、欠落またはゼロとすることもできますが、10 の方がもう少し現実的かもしれません。
	ここで、限定検出が 11 の場合、その数値を 11 まで移動する必要があります。同様に、限定検出が 12 の場合、そのデータ ポイントを移動して 12 に変更します。
	特にここの 12 に目を向けると、ここに私のデータが集まっていることがわかります。
	これが平均値に与える影響は、私の真の母集団での平均値は約 10.5 です。
	10に関しては、10.7になり、平均が高くなり、11.2になり、次に12になります。実際には、これらすべての値を取得して下限に変えると、平均はその検出限界にあります。
	したがって、ここでの 10.5 という本当の意味からはかけ離れています。
	しかし、変動の尺度がどうなるか見てみましょう。私の標準偏差は真の母集団の 1 つであり、
	検出限界が 10 の場合は 0.8 になり、11 の場合は 0.4 になり、0.2 まで下がります。
	変動の測定値が小さくなり、実際に行っている測定値に自信が持てるようになりました。これは、実際の母集団とはかけ離れています。
	ここの真ん中にある次のグラフに要約しましたが、ご覧のとおり、私の真の母集団があります。
	そして、私がこの誤ったレベルの検出を課した他の手段から手段を結び付けています。手段が劇的に高くなり、真実から遠ざかっていることがわかります。
	ここのバーは標準偏差で、小さくなっています。オレンジ色の陰影は私の名前の 95% 信頼区間です。
	ここ右側の 上のグラフでは、実際に平均と中央値の両方をグラフにしました。
	驚くべきことに、中央値はもう少し堅牢であると思うかもしれませんが、この状況では実際には役に立ちません。
	その下には変動の測定値があり、上限をどんどん高くするにつれて、測定値が小さくなることがわかります。
	とてもうまくやっているようですね。 私の平均値の測定に対する私の自信は本当にかなりのものになっています.
	かなり小さいですが、真実は、その真の人口値からどんどん遠ざかり、遠ざかるほど自信が持てるようになります。
	したがって、実際に何が起こっているのかを必ずしも検出できるとは限らず、物事について誤った自信を持ってしまうのではないかという懸念があります.
	したがって、検出限界を設計された実験に拡張すると、
	DEMO ですぐにわかることは、重要な要素を見つけられないということです。また、要素間の真の関係も発見されません。
	さて、これを JMP でお見せする前に、私は実際に文献に目を通し、実世界の証拠を見つけようとしましたが、堅牢性の欠如を見つけることができると思いました
	設計された製品の検出限界に関連しています。 そして、私がしたことは、COVID-19 診断テストとのこの素晴らしい内部比較があることを発見したことです.
	そのため、2020 年の初めに、
	FDA が緊急使用許可を与えたテストは 20 以上ありました。
	それらはすべてリアルタイム PCR テストであり、ウイルス量をテストしているため、ウイルスゲノムのコピー数を調べています。
	さて、最初は標準がなかったので、これまで見たことのない新しいものだったので、企業は独自の内部標準を開発して使用することができました。
	今年の後半、FDA は独自の基準を作成し、それを公表して診断テストを再評価しました。 したがって、異なる基準を使用して、同じテストのこれら 2 つの異なる時点を比較できます。
	だから私がやるべきだと決めたのは、テストのランク付けをすることだけです。 良いテストと悪いテストをどうやって見分けますか? これらをランク付けするにはどうすればよいですか？
	さて、ウイルス量とウイルス量の間の分析的関係を見ることができます。これは、ウイルスが作成しているゲノムコピーの数です
	および診断テストの臨床感度。 X 軸は 1 ミリリットルあたりのゲノムコピーの数、つまりウイルス負荷です。
	小さくすると軽度のケースが検出されます。 そして、私たちはここのはるか右側に行きます。実際には、非常に重度に感染した個人、つまりスーパースプレッダーのみを検出します.
	そして、ここの y 軸は、検出されたケースの割合です。 繰り返しますが、これはここでの本当の証拠です。この黒い線でわかるのは、臨床感度とどれだけ良いかという関係があるということです。
	ごめん、なんて小さいんだ
	検出できるウイルス量。 したがって、ウイルス量が少ないほど良いことが検出され、それがランク付けに使用されます.
	そこで、4 月 2 日と 9 月 15 日の 2 つの異なる時点があり、各時点について、各基準に基づく検出限界の順位を並べました。
	したがって、診断テストが行われた場合、それらが堅牢な方法で行われた場合、多かれ少なかれ同じ順位と同様の検出限界が予想されます.
	これらのテストの設計方法に堅牢性が欠けていた場合、実際には順位が変化し、検出限界が変化することが予想されます。
	それで、私は何を見つけましたか？
	ここで私が見つけたデータをグラフにしました。
	ここに私のグラフのパネルがあります。
	そして、各パネル内で、2 つの異なる日付で同じ診断テストを接続しています。 たとえば、左側の紫色の線で、私は接続しています
	4 月 2 日のランクから 9 月 15 日のランクになり、この特定の診断テストはもともと 16 位にランクされていましたが、その後 1 位になりました。
	また、私はグラフを描いています、私はグラフを描いています、検出の最終限界です。 というわけで、4月2日の初期値をグラフにしていたら別のパネルではかなり悪化していたので、これが最終値です。
	したがって、このテストははるかに優れており、劇的に増加した検出能力を劇的に向上させた他のいくつかのテストがあることがわかります。
	検出の限界と、ますます小さなウイルス負荷を検出する能力。
	しかし、テストが大幅に悪化し、数桁も変化していることもわかります。たとえば、この下の赤のテストは、4 月 2 日のテストで 3 番目に優れたテストでした。 14位まで落ちました。
	したがって、これが示しているのは、一般的に堅牢性の欠如と、これらのタスクが最初にどのように作成されたかということです。
	これらのテストがどのように行われたかはわかりません。
	彼らがJMPと計画された実験と検出限界を使用したかどうかはわかりませんが、これらの種類の手法を適用することで、検出限界を使用するものをより堅牢にすることができると思います.
	それでは、JMP を見てみましょう。
	では、検出限界を設定するにはどうすればよいでしょうか。
	カスタム デザイナーで直接実行できます。 実際にはボックスがあり、検出限界を入力するだけです。
	出力テーブルのカスタム デザイナーでこれを行うと、検出限界を含む列プロパティが作成されます。
	これを一般化回帰で分析すると、一般化回帰は、
	これらの検出限界を使用し、それらの検出限界外の変数を打ち切り値として扱います。
	JMPでこれを行う方法を紹介しましょう。
	実験計画法で設定したデータ テーブルは次のようになります。どのようにしてここにたどり着いたかというと、カスタム デザイナーである DOE に行きました。
	ご覧のとおり、ここで各応答の検出限界を設定します。
	タイプするのを見るのはつまらないので、この特定のデータ テーブルに対してどのようにこの設定を既に行っているかをお見せしましょう。
	そして、ここで私はいくつかの応答を持っています。
	また、さまざまな種類の検出限界があるため、いくつかの応答に対して検出限界の上限と下限の両方があります。 どちらの方向にも片面を持つことができます。
	ここでは検出下限があり、ここでは検出上限があります。
	また、検出限界がない場合は、空白のままにしておくこともできます。
	そして、私たちが見れば。
	データ表でわかることは、実際にこれを検出限界として見ることができるということです.
	しかし、私はこれらすべてを選択できます。
	それらをスクロールして、検出限界がどのように見えるかを示します。 したがって、それは列プロパティの単なる別の項目です。 これが私の上半身と下半身です。
	繰り返しますが、私は上と下を持っています。
	これは私の下限であり、次のものは上限です。
	現在、粘度には 1 つもありません。戻ってこれを手動で追加したい場合、または分析に検出限界を使用しているが設計実験で設定していない場合は、
	列のプロパティに移動するだけで、リストに表示されます。 したがって、これらはすべて計画された実験に適用される列のプロパティです。
	検出限界を追加するだけで、必要な値を入力するだけで、1300 とすることができます。
	と
	一方的な制限のために。
	そして、それを追加するだけで、そこに表示されます。
	これが、検出限界に到達する方法です。
	データ テーブルと列の列のプロパティ。
	では、検出限界のあるデータを分析する方法について説明しましょう。
	このため、カスタム デザイナーを使用してセットアップされた実験を分析したいと思います。この実験の目的は、水サンプルからの農薬の決定を最適化することでした。
	これは 3 因子実験で、32 回の実行と I 最適計画がありました。
	これらの観察結果のうち 9 件は、検出限界の 1% を下回っていました。
	そこで、JMP でデータを分析する方法を紹介します。
	しかし、この追加の比較も行いたいと思います。使用しなかった場合、または検出限界がなかった場合はどうなるでしょうか?
	私の限られた検出率は 1% ですが、これらの実際の値が何であるかについては不確かです。
	つまり、水サンプルに殺虫剤がまったく含まれていないわけではありません。または、その検出限界で適切であると言え、1 の値を使用できます。 つまり、これらは 2 つの代替シナリオです。 検出限界を使用しない場合は
	すべての要因を見つけることはできず、実際には非常に誤解を招きやすく、結果が不正確になります。
	それでは、JMP でこれを行う方法をお見せしましょう。
	これが私のものです。
	デザインは次のように見えますので、応答として Metacrate を使用しています。これが検出の上限と下限です。
	これが私の3つの要因です。
	そして、私は応答面を作成しました
	それぞれのデザイン
	因数、次に二次と双方向の交互作用で、最終的に 32 回の実行計画を行いました。
	データは次のようになります。
	繰り返しますが、これは私の実験計画と私が持っている場合の結果です
	ゼロだから、私のマシンは何も検出しなかったと言っていますが、実際には検閲されており、実験計画の設定から検出限界がここにあります。
	そして、これを一般化回帰で分析します。
	通常の最小二乗法では、検出限界を実行するかどうかを指定します。このスクリプトを実行できるうちに、実際にこれをどのように設定したかをお見せしたいと思います。
	したがって、Metacrate を結果変数として、一般化回帰を使用します。
	ここでは、データに適合する正規分布は問題ありませんが、結果として負の予測値が得られ、私が持っている農薬の量に負の値などというものはありません。
	したがって、それを正に保つために、実際にはそれを対数正規に変更して、すべての予測値が正になるようにします。
	また、検閲のために何も入力する必要がないことに注意してください。ここにはオプションがありますが、JMP が自動的にこれを処理します。
	実験計画法分析を行って回帰を一般化する場合、順方向選択が適切な選択です。これは、ステップワイズ回帰またはよく知られているステップワイズを行うのと非常によく似ています。
	フィットモデルのプラットフォームで。
	モデルの概要を見ると、検出限界があることがわかります。
	そして、私の R2 乗は 0.91 なので、これは非常に適切です。
	ここで何が起こっているかの詳細を見ると、
	ソリューションパスに精通しておらず、回帰を一般化する場合、見ているのはパラメーターがモデルにどのように入力されたかであるため、ここでも前方選択です。
	そして、それらは効果の大きさに合わせてスケーリングされるため、最初に入力されたのは私のジクロロメタンであり、結果にプラスの効果があります.
	しかし、次に来たのは二次方程式で、負の値を持っています。
	負の効果、つまり文字通り負の見積もりです。
	したがって、これは見たり操作したりするのが楽しく、全体として、最小の AIC スコアに基づく最適なモデルには 5 つのステップがあります。
	ここで、予測プロファイラーを使用して方程式を視覚化します。
	これを少し単純化して、少し大きくしてみます。
	予測プロファイラーが示しているのは、結果変数 Metacrate であり、ここでは y 軸であり、各正方形は実験の要因の 1 つです。
	私たちが見ているのは方程式、つまり関係です
	グラフィカルに。ジクロラルメタンを変更すると、これを変更すると他の要因の形状が変化するため、相互作用を見ることができます。これらのパラメーターで多くの曲率が発生していることがわかります。
	私はまた、私の実際の予測を持っています
	プロットであり、実際にはかなり良さそうです。
	私がやりたいことは、検出できる Metacrate の量を最大化したいということです。それが、私が実験を行った理由です。 というわけで、JMPに最大レベルを探ってもらいます。
	そして、私が検出できる Metacrate の最大量は 38.6 でした。
	これはこれらの係数の設定のためです。私の水サンプルは、この量のメタノールとこの量のジクロロメタンに対して 6 をわずかに下回っています。
	これは私の実験の結果であり、実際に戻ってこれをテストし、これが機能することを確認したいと思います。
	では、検出限界を無視して別のことを試してみたらどうなるでしょうか。
	ここに、まったく同じデータがあります。
	ゼロの Metacrate を使用していますが、私が行ったことは、いくつかの列を追加したことです。 そして、1 つの列については、実際には下限にある可能性があり、1 つ右にあるので、これらの値を 0 ではなく 1 に変更しました。
	そして、代わりに、それらのサンプルに何も見つからなかった場合、それはゼロになります。この場合、対数正規であるためゼロを使用できません。 、非常に小さい値
	10 かける 12 をマイナス 12 にすると、ポイント .00000000001 は正しいゼロの数だと思います。
	それでは、これら 2 つの条件でデータを分析してみましょう。ここでも、検出限界は使用しません。
	そのため、Metacrate の代わりに最初のものを入れます。そこでは、これらの値をすべてリセットして、それらの値を検出の下限に合わせます。
	先行抽選を行います。
	私の RSquare が 0.7 をわずかに下回る前にあったように、ここには検出限界がないことがわかります。
	しかし、ソリューション パスとパラメータ推定表の両方からわかるように、
	モデリングへの前進のステップは 3 つしかありませんが、多くのものを拾う必要はありませんでした。ここには空白のスペースがたくさんあります。
	ここのプロファイラーの方程式を見ると、実際には要因の 1 つが欠落していることがわかります。これをこちらの式と比較できます。完全にメタノールを見逃していました。
	そして、私が最大化した場合
	私が見つけることができたメタクレートの最大量を見つけるために、それはわずか約16です.
	そして、私の実際の予測プロットはあまり良く見えません。あまり幸せそうには見えません。
	ですから、それは1つの状況であり、私たちは単にそれを拾わなかった要因の1つを完全に見逃していました.
	そして、もう一方の状況を見てみましょう。1 つの代わりに ほぼゼロの場合はどうなるでしょうか?
	完全にゼロではありませんが、非常に非常に近いです。
	前方選択。
	繰り返しますが、ここでは検出限界を使用していませんが、これを見てください。私の RSquared は 0.997 です。
	それで、それは本当に良い適合を見つけたと思います。
	しかし、ここでまだ奇妙なことが起こっています。モデルには 3 つのステップしかありません。実際にはあまり見つけられませんでした。
	私のジクロロメタンと私はかろうじてサンプル量を拾い上げました。
	予測予測プロファイラーを見ると。
	繰り返しますが、メタノールが不足しているため、予測されたプロットによる実際の要因の1つがありませんが、曲線の一番上にあるところで何が起こっているのでしょうか。
	このアダプティブ y 軸をオンにして、すべてが見えるようにします。
	何百もの予測値があります。
	できません。最大の望ましさを実行できますが、手動で何かを選択しようとしても、470 を超えていることがわかります。 今思い出して、
	私の検出限界は99だったので、これらの値は意味がありません。
	と
	要素を見逃していました。意味がありませんが、この例を実際に示したい理由の 1 つは、これを顧客で見たからです。
	私は彼らに何が起こっているのか説明できませんでした.
	分析でデータをどのように処理するかを決定したため、非常に奇妙な結果が得られます。処理した結果は、1 または 0 です。
	この場合、これらは 2 つの代替シナリオですが、この殺虫剤を水中で検出する実際の能力と私の設計実験の結果の実際の現実とはかけ離れています。
	そう。
	私が本当に皆に残してもらいたい重要なポイントは、第一に、検出限界が非常に重要であることです。
	そして、それらを無視したり、値が高いものや低いものに置き換えたりしないでください。
	その不確実性を実際の分析に組み込む必要があります。 JMP を使用すると、これを非常に簡単に行うことができます。 実験プラットフォームの設計で実行できます。列プロパティで実行できます。
	そして、それらがそこに到達したら、一般化回帰を使用して、検出限界を組み込んだ分析を行うことができます。これにより、最適なモデルが得られます。要因とそれらの間の実際の関係を見つけることができます。
	そして最後に、私たち JMP では、データに戻って再分析することを強くお勧めしています。
	なんらかの分析方法に基づいて検出限界がある場合は、知っておく必要があります。
	人々は戻ってそのデータを再分析し、実験計画で検出限界を使用する必要があると私たちは本当に考えています.
	私の話を聞いていただき、ありがとうございました。ご質問やフォローアップが必要な場合は、お気軽にお問い合わせください。

起こるDOE統計とモデリング