398719_ko-KR

liliconcom

실험 설계 및 데이터 분석의 새로운 JMP 16 검출 한계(2021-US-30MP-879)

레벨: 초급

 

Laura Higgins, JMP 글로벌 기술 지원 엔지니어, SAS JMP

 

JMP 16에는 열 속성에 감지 한계를 통합하고 JMP Pro의 일반화 회귀 플랫폼으로 모델링하는 동안 자동으로 적용되는 DOE 플랫폼의 새로운 기능이 있습니다. 저는 이러한 새로운 기능을 시연하고 탐지 한계가 데이터 분석에 미치는 영향에 대해 논의합니다.

우리가 아주 적은 양의 물질을 찾을 때 우리는 우리가 사용하는 기술에 의해 제한을 받습니다. 물질이 존재할 수 있지만 탐지할 수 없는 것은 탐지 하한선이며 감염 시작을 식별하거나 소량의 불순물을 올바르게 식별하는 것과 같은 중요한 상황에서 낮은 수준의 물질을 탐지하는 데 매우 실용적입니다. 데이터 분석에서 탐지 한계를 무시하면 심각한 영향을 미칩니다. 평균 및 신뢰 구간과 같은 기본 통계가 편향되고 오해의 소지가 있습니다. 탐지 한계에 대한 잘못된 가정으로 데이터를 모델링하면 잘못된 모델이 생성됩니다. 검출 한계는 제약 및 화학 제조, 분석 화학 및 진단 테스트 설계와 같은 산업 응용 분야에서 의미가 있습니다.

 

 

 

자동 생성된 대본...

 

스피커	성적 증명서
마이크 앤더슨	안녕하세요.
	JMP 16의 새로운 기능인 감지 한계에 대해 이야기해 보겠습니다.
	오늘 이야기할 것은 검출 한계의 정의에 대한 배경 지식입니다.
	탐지 한계를 무시한다면 몇 가지 통계적 고려 사항을 살펴보고 싶습니다.
	주변을 둘러보니 일부 설계된 제품, 특히 COVID-19 진단 테스트에서 견고성이 부족하다는 실제 증거라고 생각되는 것이 발견되었으며 이러한 제품에는 감지 한계가 통합되어 있습니다.
	그런 다음 마지막으로 JMP에서 감지 한계를 실제로 사용하는 방법, 입력 방법, 실험 설계에서 설정하는 방법, 한계를 사용하여 데이터를 분석하는 방법을 보여 드리겠습니다. 탐지의.
	무언가가 있는지 어떻게 알 수 있습니까?
	그래서 그것은 약간 난해한 질문처럼 들릴 수 있지만 분석 방법을 사용할 때는 난해한 질문이라기보다는 시스템이 얼마나 좋은지에 대한 질문에 가깝습니다.
	예를 들어, 우리가 무언가에서 아주 작은 양의 불순물을 찾으려고 하면 어떤 시점에서 우리가 감지하는 시스템은 특정 수준 이하의 불순물을 감지할 수 없을 것입니다. 검출한계라고 하는 한계.
	감지 한계에 대한 정의에는 여러 가지가 있습니다.
	그들은,
	그들은 분야와 분석 방법에 따라 다르므로 여기에 몇 가지를 올려 놓았다고 FDA는 말합니다. 분자 진단 분석의 경우 제한된 탐지는 반복 측정의 95%에서 탐지할 수 있는 표적의 가장 낮은 농도입니다.
	이제 화학 세계에서 말하는 것을 보면 제한된 검출 방법을 최소 농도 또는 절대량으로 정의합니다.
	신호가 적절한 블랭크에서보다 훨씬 더 크다는 분석물. 따라서 이 두 정의에서 그것들은 본질적으로 몇 가지 다른 방법에 관한 것입니다.
	그리고 더 많은 문헌을 살펴보았고 고성능 액체 크로마토그래피와 같은 작업을 수행하는 경우 곡선을 볼 때 신호 대 잡음비에 대해 이야기합니다.
	교정 곡선을 만들고 있다면 그에 대한 특정 방법론이 있고 거기에는 다양한 정의가 있습니다.
	탐지 한계 중에서 모든 사람이 자신의 분석 방법에 가장 적합한 방법을 찾은 다음 해당 산업별 지침을 따르도록 권장합니다.
	제이엠피에서는
	우리는 감지 한계를 정의합니다. ... 열 속성이고 그 이상입니다.
	응답을 측정할 수 없으므로 제한하고 데이터를 분석할 때 실제로 수행하는 작업은 데이터를 검열하는 것입니다.
	그래서 제가 이전에 제시한 예는 하한선이 되고 검열된 상태로 남게 되는 매우 적은 양의 불순물을 찾는 것입니다.
	그러나 상한선일 수도 있으므로 예를 들어 물체에 압력을 가하는 경우 압력 게이지가 상한선에서 멈출 수 있습니다.
	실제로 더 많은 압력을 가할 수 있지만 게이지가 더 이상 올라가지 않고 상한선이 되고 해당 데이터가 오른쪽 중도절단되지만 모두 JMP에서 정확히 동일한 방식으로 처리됩니다. .
	따라서 데이터를 분석할 때 감지 한계를 무시하면 어떻게 되는지에 대한 예를 살펴보고자 합니다.
	따라서 이 예에서는
	아래의 히스토그램에서 볼 수 있습니다. 저는 실제 모집단이 있고 그것들은 모두 제 녹색 막대이지만 제한된 감지가 있다고 가정해 보겠습니다.
	10에서는 그 아래에서 정확한 측정값을 얻을 수 없으므로 0이 아닙니다.
	내가 측정하려고 하는 것이 무엇이든 간에 얼마나 많은 입자가 있는지, 얼마나 많은 입자가 있는지 알지 못합니다. 따라서 이에 대한 올바른 통계적 방법은 검열이며 Michael Crotty의 아주 좋은 이야기가 있습니다. 디스커버리 2017의 JMP
	더 자세한 통계 정보를 원하시면 그의 강연을 확인하십시오.
	자, 이제 이 예를 살펴보겠습니다. 이렇게 10개의 제한된 감지가 있다고 가정해 보겠습니다.
	우리가 하려는 것은 인구의 일부를 다음과 같이 취급하는 것입니다.
	그것이 무엇인지 우리는 잘 알지 못합니다.
	여기에 히스토그램이 있으므로 다시 오른쪽에 실제 인구가 있습니다.
	여기에 몇 가지 다른 시나리오가 있으므로 감지 한계가 10이라고 가정해 보겠습니다.
	다음에는 11, 다음은 12입니다. 그래서 제가 여기서 하고 있는 것은 이 데이터를 가져와 실제로 10으로 밀어올리는 것입니다.
	이것이 어떻게 생겼는지 보여드리겠습니다. 따라서 이것은 감지 한계에 따라 자동으로 발생하는 것이 아니라 제가 구성한 예입니다.
	예를 들어 행 7에서 내 실제 값은 9.22입니다.
	하지만 감지 한계가 10인 경우.
	그렇다면 저는 9.22의 값을 실제로 알지 못할 것이며 제가 할 수 있는 최선은 10으로 기록할 수 있다는 것입니다.
	또는 누락 또는 0으로 지정할 수 있지만 10이 조금 더 현실적일 수 있다고 생각합니다.
	이제 제한된 감지가 11이면 해당 숫자를 11까지 이동해야 하고 마찬가지로 제한된 감지가 12인 경우 해당 데이터 포인트를 이동하여 12로 바꿉니다.
	그래서 우리가 보는 것은 특히 여러분이 여기 12시에 제 데이터를 여기에 모아 놓은 것입니다.
	이것이 평균에 미치는 영향은 내 실제 모집단에서 내 평균이 약 10.5라는 것입니다.
	10에 관해서는 10.7로 가고 내 평균은 점점 더 높아지고 11.2가 되고 12가 됩니다. 실제로 모든 값을 취하여 그 하한으로 바꿀 때 평균은 감지 한계에 있습니다.
	그래서 저는 여기에서 10.5의 진정한 평균에서 멀어지고 있습니다.
	그러나 우리의 변동 측정에 어떤 일이 일어나는지 보십시오. 내 표준 편차는 내 실제 모집단에서 1입니다.
	감지 한계가 10이면 0.8로 이동하고 11에서는 0.4로 이동한 다음 0.2에서 끝까지 내려갑니다.
	그래서 제 변동 측정값은 점점 작아지고 있습니다. 그래서 실제로 실제 인구가 얼마인지와는 거리가 먼 제가 실제로 하고 있는 측정값에 대해 더 확신을 갖게 되었습니다.
	그래서 저는 여기 중간에 있는 다음 그래프에서 요약했습니다. 제 실제 인구가 있는 것을 볼 수 있습니다.
	그리고 저는 제가 이 잘못된 탐지 수준을 부과한 다른 것들의 수단을 연결하고 있습니다. 그리고 당신은 그 수단이 극적으로 진실에서 점점 더 높아지고 있음을 볼 수 있습니다.
	여기 막대는 표준 편차이며 볼 수 있습니다. 그것들이 점점 작아지고 주황색 음영이 제 이름의 95% 신뢰 구간입니다.
	여기 오른쪽, 위쪽 그래프에서 저는 평균과 중앙값을 모두 그래프로 표시했습니다. 그리고 여러분도 볼 수 있듯이, 그것들은 비슷한 방식으로 행동합니다.
	중앙값이 조금 더 강력할 것이라고 생각하기 때문에 놀라운 일이지만 이 상황에서는 실제로 도움이 되지 않습니다.
	그리고 그 아래에는 변동 측정값이 있습니다. 그리고 더 높은 한계를 부과함에 따라 그것들이 작아지는 것을 볼 수 있습니다.
	우리 정말 잘하고 있는 것 같죠? 내 평균 측정에 대한 내 자신감이 점점 높아지고 있습니다.
	아주 작지만 진실은 내가 그 진정한 인구 가치에서 점점 더 멀어지고 있다는 것입니다. 그리고 멀어질수록 더 자신감이 생깁니다.
	따라서 이것은 실제로 무슨 일이 벌어지고 있는지 감지할 수 없고 상황에 대해 잘못된 확신을 가질 수 있다는 사실에 대한 우려입니다.
	따라서 탐지 한계를 설계된 실험으로 확장할 때
	잠시 후 DEMO에서 보게 될 것은 중요한 요소를 찾지 못할 뿐만 아니라 요소 간의 진정한 관계도 발견하지 못할 것이라는 것입니다.
	이제 JMP에서 이것을 보여주기 전에 문헌을 자세히 살펴보고 견고함이 부족할 수 있다고 생각했던 실제 증거를 찾으려고 노력했습니다.
	설계된 제품의 검출 한계와 관련이 있습니다. 그리고 제가 한 것은 COVID-19 진단 테스트와 훌륭한 내부 비교가 있다는 것을 발견한 것입니다.
	그래서 2020년 초,
	FDA가 긴급 사용 승인을 내린 테스트가 20개 이상 있었습니다.
	그리고 그것들은 모두 실시간 PCR 테스트이고 바이러스 부하에 대해 테스트하고 있습니다. 그래서 얼마나 많은 바이러스 게놈 사본을 가지고 있는지.
	이제 처음에는 표준이 없었기 때문에 – 이전에는 본 적이 없는 완전히 새로운 것이기 때문에 – 회사는 자체 내부 표준을 개발하고 사용할 수 있었습니다.
	올해 말에 FDA는 자체 표준을 만들고 이를 제공하고 진단 테스트를 재평가했습니다. 따라서 다른 표준을 사용하여 동일한 테스트의 이 두 가지 다른 시점을 비교할 수 있습니다.
	그래서 내가 하기로 결정한 것은 테스트의 순위를 매기는 것입니다. 좋은 시험과 나쁜 시험이 무엇인지 어떻게 알 수 있습니까? 이것들의 순위를 어떻게 매길까요?
	글쎄, 우리는 바이러스 부하 사이의 분석적 관계를 볼 수 있습니다. 다시 말해서 바이러스가 만드는 게놈 사본의 수입니다.
	및 진단 테스트의 임상 민감도. 그래서 여기 X축에는 밀리리터당 얼마나 많은 게놈 사본이 있는지, 즉 바이러스 부하가 있습니다.
	그리고 더 작을수록 경미한 경우를 감지합니다. 그리고 우리는 여기에서 아주 오른쪽으로 갑니다. 우리는 정말로 엄청나게 심하게 감염된 개인들만 탐지할 것입니다. 그래서 슈퍼 전파자들입니다.
	그리고 여기에서 y축은 감지된 케이스의 비율입니다. 그리고 다시 이것은 이것이 실제 증거입니다. 그래서 우리가 이 검은색 선으로 볼 수 있는 것은 얼마나 좋은지에 대한 임상적 민감도 관계가 있다는 것입니다.
	미안하지만, 얼마나 작은
	우리가 감지할 수 있는 바이러스 부하. 그래서 더 작은 바이러스 부하가 좋은 것을 감지하고 그것이 순위 순서에 사용하는 것입니다.
	그래서 저는 4월 2일과 9월 15일이라는 두 개의 다른 시점을 가지고 있으며 각 시점에 대해 각 표준에 따라 탐지 한계가 무엇인지 순위를 매겼습니다.
	따라서 진단 테스트가 수행되고 강력한 방식으로 수행된다면 거의 동일한 순위 및 유사한 감지 한계를 기대할 수 있습니다.
	이러한 테스트가 설계된 방식에 견고성이 부족했다면 실제로 순위 순서와 다양한 감지 한계가 변경될 것으로 예상됩니다.
	그래서 내가 무엇을 찾았습니까?
	그래서 여기에 제가 찾은 데이터를 그래프로 표시했습니다.
	여기 내 그래프의 패널입니다.
	그리고 각 패널 내에서 두 개의 다른 날짜에 동일한 진단 테스트를 연결하고 있습니다. 예를 들어 왼쪽의 보라색 선에서
	4월 2일부터 9월 15일까지의 순위로 이 특정 진단 테스트는 원래 16위에 올랐다가 1위까지 올라갔습니다.
	그리고 또한 저는 그래프를 그리고 있습니다. 저는 감지의 최종 한계를 그래프로 표시하고 있습니다. 따라서 4월 2일의 초기 값을 그래프로 표시했다면 이것은 다른 패널에서 훨씬 더 나빴을 것이므로 이것이 최종 값입니다.
	그래서 이 테스트는 훨씬 더 좋아졌고 우리가 보는 것은 감지 능력을 극적으로 증가시킨 몇 가지 다른 테스트가 있다는 것입니다.
	탐지의 한계와 점점 더 작은 바이러스 부하를 탐지하는 능력.
	그러나 우리는 또한 훨씬 더 나빠진 테스트를 볼 수 있으며 다시 몇 자릿수만큼 변경되고 있습니다. 예를 들어 여기 빨간색으로 표시된 이 맨 아래 테스트는 4월 2일에 세 번째로 좋은 테스트였습니다. 14위까지 떨어졌습니다.
	그래서 이것이 보여주는 것은 일반적으로 견고성이 부족하고 이러한 작업이 처음에 어떻게 만들어졌는가라는 것입니다.
	이 테스트가 어떻게 만들어졌는지 모르겠습니다.
	JMP와 설계된 실험 및 감지 한계를 사용했는지는 모르겠지만 이러한 종류의 기술을 적용하면 감지 한계를 사용하는 모든 것을 훨씬 더 강력하게 만들 수 있다고 생각합니다.
	이제 JMP를 살펴보겠습니다.
	그렇다면 탐지 한계를 설정하려면 어떻게 해야 합니까?
	글쎄, 당신은 사용자 정의 디자이너에서 직접 할 수 있습니다. 이제 실제로 감지 한계를 입력하기만 하면 되는 상자가 있습니다.
	출력 테이블의 사용자 지정 디자이너에서 이 작업을 수행하면 감지 한계가 포함된 열 속성이 생성됩니다.
	일반화 회귀에서 이것을 분석할 때 일반화 회귀는 다음을 처리합니다.
	탐지 한계를 사용하고 탐지 한계를 벗어난 변수를 중도절단된 값으로 처리합니다.
	JMP에서 이 작업을 수행하는 방법을 보여 드리겠습니다.
	실험 계획에서 설정한 데이터 테이블은 다음과 같습니다. 그래서 여기까지 오게 된 방법은 DOE, 사용자 지정 디자이너에게 갔습니다.
	여기에서 각 응답에 대한 감지 한계를 입력할 수 있습니다.
	내가 입력하는 것을 보는 것은 지루하므로 이 특정 데이터 테이블에 대해 이 설정을 이미 가지고 있는 방법을 보여 드리겠습니다.
	여기에 여러 답변이 있습니다.
	그리고 다양한 종류의 감지 한계가 있으므로 몇 가지 응답에 대해 상한 및 하한 감지 한계가 있습니다. 어느 방향으로든 한 면을 가질 수 있습니다.
	그래서 여기에는 하한 감지 한계가 있고 여기에는 상한 감지 한계가 있습니다.
	탐지 제한이 없는 경우에는 비워 둘 수 있습니다.
	그리고 우리가 보면.
	데이터 테이블에서 우리가 볼 수 있는 것은 실제로 이것을 감지 한계로 볼 수 있다는 것입니다.
	하지만 이 모든 것을 선택할 수 있습니다.
	그리고 그것들을 스크롤하여 감지 한계가 어떻게 보이는지 보여줍니다. 따라서 열 속성의 다른 항목일 뿐입니다. 여기 내 위아래가 있습니다.
	그리고 다시, 나는 위아래가 있습니다.
	여기에서 이것은 나의 하한선이고 다음 것은 이것이 나의 상한선일 뿐입니다.
	이제 점도에는 점도가 전혀 없으므로 돌아가서 수동으로 추가하고 싶거나 분석을 위해 검출 한계를 사용하고 있지만 설계 실험에서 설정하지 않은 경우,
	단순히 열 속성으로 이동하면 목록에 있습니다. 따라서 이들은 모두 설계된 실험에 적용되는 열 속성입니다.
	감지 한계를 추가하기만 하면 원하는 값을 입력할 수 있으므로 1300이라고 말할 수 있습니다.
	그리고
	일방적인 한계를 위해.
	그리고 그것은 그것을 추가해야합니다. 그러면 거기에있을 것입니다.
	그래서 그것이 당신이 감지의 한계를 얻는 방법입니다.
	데이터 테이블 및 열 열 속성.
	자, 그럼 이제 탐지 한계가 있는 데이터를 분석하는 방법에 대해 알아보겠습니다.
	따라서 이를 위해 맞춤형 디자이너와 함께 설정한 실험을 분석하고 이 실험의 목표는 물 샘플에서 살충제의 결정을 최적화하는 것이었습니다.
	그것은 3요인 실험이고 32개의 런과 I 최적 설계를 가졌습니다.
	이러한 관찰 중 9개는 검출 한계인 1% 미만이었습니다.
	그래서 JMP에서 데이터를 분석하는 방법을 보여드리겠습니다.
	하지만 이 추가 비교도 하고 싶습니다. 사용하지 않거나 감지 제한이 없다면 어떻게 될까요?
	글쎄, 내 제한된 탐지는 1%이고 다시 우리는 그 실제 값이 무엇인지 불확실하므로 한 경우에 대해 0을 취할 수 있습니다.
	따라서 물 샘플에는 살충제가 전혀 없었거나 검출 한계에 맞다고 말할 수 있으며 1의 값을 사용할 수 있습니다. 이것이 두 가지 대안 시나리오입니다. 그리고 여러분이 보게 될 것은 우리가 탐지 한계를 사용하지 않는다면,
	우리는 우리의 모든 요인을 찾지 못할 것이며 실제로 결과에서 크게 오도하고 부정확할 것입니다.
	JMP에서 이 작업을 수행하는 방법을 보여드리겠습니다.
	그래서 이것은 내 것입니다.
	나는 Metacrate를 응답으로 가지고 있으며 여기에 나의 상한 및 하한 감지 한계가 있습니다.
	여기 내 세 가지 요소가 있습니다.
	그리고 방금 응답 표면을 수행했습니다.
	디자인 그래서 각각
	요인, 그리고 나서 2차 및 양방향 상호작용과 저는 결국 32개의 런 설계를 수행했습니다.
	데이터는 다음과 같습니다.
	다시 말하지만, 이것은 내 실험 설계의 결과입니다.
	0은 내 기계가 말하는 것이고 내 기계는 내가 아무 것도 감지하지 못했다고 했지만 실제 사례는 그것이 검열되었다는 것입니다. 여기에서 내 실험 설계를 설정하는 것에서 감지 한계가 있습니다.
	그리고 우리는 이것을 일반화 회귀로 분석할 것입니다.
	그것은 탐지의 한계를 수행하거나 일반 최소 제곱에서 수행하지 않습니다. 따라서 이 스크립트를 실행할 수 있는 동안 실제로 어떻게 설정하는지 보여드리고 싶습니다.
	그래서 저는 Metacrate가 제 결과 변수이고 일반화된 회귀를 사용할 것입니다.
	그리고 여기에서 정상은 데이터에 맞는 괜찮은 분포입니다. 하지만 결과적으로 음수 예측 값이 나오고 제가 가지고 있는 살충제 양에 대해 음수 값 같은 것은 없습니다.
	양수를 유지하기 위해 저는 실제로 그것을 정상으로 변경하여 제 모든 예측 값이 양수가 되도록 할 것입니다.
	그리고 검열을 위해 아무것도 입력할 필요가 없습니다. 여기에 옵션이 있지만 JMP가 자동으로 처리합니다.
	실험 분석을 설계하고 회귀를 일반화할 때 순방향 선택이 좋은 선택입니다. 이는 익숙한 단계적 회귀 또는 단계적 회귀와 매우 유사합니다.
	적합 모델 플랫폼에서.
	그래서 우리가 제 모델 요약에서 볼 수 있는 것은 그것이 감지 한계가 있다는 것을 상기시켜준다는 것입니다.
	그리고 내 RSquare는 0.91이므로 정말 잘 맞습니다.
	여기서 무슨 일이 일어나고 있는지 자세히 살펴보면,
	솔루션 경로에 익숙하지 않고 회귀를 일반화하는 경우 보고 있는 것은 매개변수가 모델에 입력된 방식이므로 다시 정방향 선택입니다.
	그리고 나서 그것들은 효과의 크기에 따라 조정됩니다. 그래서 입력된 첫 번째 것은 제 디클로로메탄이고, 결과에 긍정적인 영향을 미칩니다.
	하지만 2차 방정식이 다음에 나왔고 음수 값을 가집니다.
	부정적인 영향, 말 그대로 부정적인 평가입니다.
	따라서 이것은 보고 상호 작용하는 것이 재미있으며 전반적으로 최소 AIC 점수를 기반으로 하는 최고의 모델에는 5단계가 있습니다.
	이제 저는 예측 프로파일러를 사용하여 방정식을 시각화하는 것을 좋아합니다.
	저는 이것을 잠시 단순화하고 조금 더 크게 만들 것입니다.
	예측 프로파일러가 보여주는 것은 결과 변수인 Metacrate이고 여기에서는 y축이고 각 사각형은 우리 실험의 요인 중 하나입니다.
	그리고 우리가 보고 있는 것은 방정식 또는 관계입니다.
	그래픽으로. 그래서 우리는 상호작용을 볼 수 있습니다. 디클로랄메탄을 변경할 때 모양을 변경할 때 다른 요인에 대한 모양이 변하기 때문입니다. 그리고 이 매개변수에서 많은 곡률이 일어나는 것을 확실히 볼 수 있습니다.
	나는 또한 예측된 나의 실제를 가지고 있다
	실제로 꽤 좋아 보입니다.
	그래서 내가 하고 싶은 것은 내가 감지할 수 있는 Metacrate의 양을 최대화하고 싶어서 실험을 한 것입니다. 그래서 JMP에게 최대 레벨을 찾아달라고 요청하겠습니다.
	그리고 제가 발견한 Metacrate의 최대량은 38.6입니다.
	그리고 이것은 이러한 요인 설정을 위한 것이므로 이 양의 메탄올과 이 양의 디클로로메탄에 대해 제 물 샘플은 6 미만입니다.
	이것이 제 실험의 결과입니다. 저는 돌아가서 실제로 이것을 테스트하고 이것이 작동하는지 확인하고 싶습니다.
	이제 감지 한계를 무시하고 다른 것을 시도하면 어떨까요?
	그래서 여기에 똑같은 데이터가 있습니다.
	0이 있는 Metacrate를 사용하여 몇 개의 열을 추가했습니다. 그리고 한 열은 아마도 실제로 하한선에 있고 오른쪽에 있으므로 0 대신에 이 값을 1로 변경했습니다.
	그런 다음, 대안으로, 해당 샘플에서 찾을 수 있는 것이 아무것도 없으면 어떻게 될까요? 그러면 0이 되고 이 경우에는 로그 정규이므로 0을 사용할 수 없습니다. , 매우 작은 값
	그래서 1 곱하기 10에서 음수 12까지 오른쪽으로 0.00000000001이 0의 올바른 수라고 생각합니다.
	이제 이 두 조건으로 데이터를 분석하고 다시 감지 한계를 사용하지 않을 것입니다.
	따라서 Metacrate 대신 첫 번째 값을 입력하겠습니다. 여기서 모든 값을 감지 하한선에서 오른쪽으로 재설정합니다.
	우리는 앞으로 선택을 할 것입니다.
	내 RSquare가 0.7 바로 아래에 있기 전에 있었던 것처럼 여기에는 감지 제한이 없다는 것을 알 수 있습니다.
	하지만 내 솔루션 경로와 내 매개변수 추정 테이블에서 모두 볼 수 있습니다.
	세 단계만 남았습니다. 모델링을 위한 앞으로의 단계이고 많은 것을 선택하지 않았습니다. 여기에 빈 공간이 많이 있습니다. 그리고 내 사진을 보면
	여기 프로파일러에서 아래 방정식을 볼 수 있습니다. 제가 실제로 내 요인 중 하나를 놓치고 있다는 것을 알 수 있습니다. 여기 있는 것과 비교할 수 있습니다. 메탄올을 완전히 놓쳤습니다.
	그리고 내가 최대화한다면
	내가 찾을 수 있는 가장 많은 양의 Metacrate를 찾으려면 약 16개에 불과합니다.
	그리고 내 실제 by Predicted 플롯은 그다지 좋아 보이지 않고 매우 행복해 보이지 않습니다.
	그래서 그것은 하나의 상황이 맞고 또 반복됩니다. 그래서 우리는 우리가 단순히 그것을 선택하지 않은 요소 중 하나를 완전히 놓쳤습니다.
	그런 다음 하나가 아닌 다른 상황을 살펴보겠습니다. 거의 0이면 어떨까요?
	아주 제로가 아니라 아주 아주 가깝습니다.
	앞으로 선택.
	다시 여기에서 감지 한계를 사용하지 않고 있지만 이것을 보십시오. 내 RSquared는 0.997입니다.
	그래서 정말 잘 맞는 제품을 찾은 것 같아요.
	하지만 여전히 이상한 일이 일어나고 있습니다. 제 모델에는 세 단계만 있습니다. 저는 실제로 많이 찾지 못했습니다.
	내 디클로로메탄과 나는 간신히 내 샘플 볼륨을 선택했습니다.
	예측 예측 프로파일러를 보면.
	다시 나는 메탄올을 놓치고 있습니다. 그래서 예측된 플롯에 의한 실제 내 요인 중 하나가 없습니다. 하지만 내 곡선의 맨 위에 있는 지구에서 도대체 무슨 일이 벌어지고 있는지.
	이 적응형 y축을 켜서 모든 것을 볼 수 있는지 확인하겠습니다.
	그리고 예측 값이 수백 개가 넘습니다.
	하지 않겠습니다. 만족도 최대화를 실행할 수는 있지만 수동으로 선택하려고 해도 470이 넘는 것을 볼 수 있습니다. 이제 기억하십시오.
	내 감지 한계는 99이므로 이러한 값은 의미가 없습니다.
	그리고
	한 요소를 놓쳤습니다. 말이 안 됩니다. 하지만 이 예를 정말로 보여주고 싶은 이유 중 하나는 고객에게서 이것을 본 적이 있기 때문입니다.
	나는 그들에게 무슨 일이 일어나고 있는지 설명할 수 없었습니다. 그래서 사람들이 탐지 한계를 사용하지 않으면 실제로 이런 일이 발생한다는 것을 압니다.
	분석에서 데이터를 처리하는 방법에 대한 결정을 내렸기 때문에 매우 이상한 결과를 얻게 됩니다.
	이 경우 두 가지 대안 시나리오가 있지만 이 살충제를 감지하는 실제 능력이 물에서 무엇인지에 대한 실제 현실과 내 설계 실험의 결과와는 거리가 멉니다.
	그래서.
	내가 정말로 모든 사람들에게 남기고 싶은 핵심 내용은 첫 번째, 감지 한계가 매우 중요하다는 것입니다.
	그리고 당신은 그것들을 무시해서는 안되며 그것들을 높거나 낮은 값으로 대체하지 마십시오. 그러면 당신은 정말로
	그 불확실성을 실제 분석에 통합해야 합니다. JMP를 사용하면 이 작업을 매우 쉽게 수행할 수 있습니다. 실험 계획 플랫폼에서 할 수 있고 열 속성에서 할 수 있습니다.
	그런 다음 일반화된 회귀 분석을 사용하여 일단 거기에 도달하면 탐지 한계를 통합하는 분석을 수행할 수 있습니다. 그러면 최상의 모델이 제공되고 요인과 요인 간의 실제 관계를 찾을 수 있습니다.
	마지막으로, JMP에서는 사람들이 이러한 이상한 결과를 보았을 수 있는 데이터를 다시 분석하도록 권장합니다.
	어떤 분석 방법을 기반으로 한 탐지 한계가 언제인지 알아야 할 수도 있습니다.
	그리고 우리는 사람들이 돌아가서 그 데이터를 다시 분석해야 한다고 생각합니다. 그리고 실험 설계에서 탐지 한계를 사용하면 훨씬 빠르고 훨씬 더 정확하게 가려고 하는 곳으로 갈 수 있습니다.
	제 이야기를 들어주셔서 대단히 감사합니다. 질문이 있거나 후속 조치가 필요하면 언제든지 연락해 주십시오.

브레이크아웃암사슴통계 및 모델링