Conférencier
|
Transcription
|
| Mike Anderson |
Salut. |
| |
Parlons de la nouvelle fonctionnalité de JMP 16, les limites de détection. |
| |
Ce dont je vais parler aujourd'hui, c'est le contexte de la définition des limites de détection. |
| |
Je souhaite passer en revue 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 concrètes du manque de robustesse de certains produits conçus, en particulier des tests de diagnostic du 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 des limites. de détection. |
| |
Comment savoir si quelque chose est là ? |
| |
Cela peut donc ressembler un peu à une question ésotérique, mais lorsque vous utilisez une méthode analytique, c'est moins une question ésotérique qu'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 capable de détecter des quantités inférieures à un certain niveau et qui limite appelée limite de détection. |
| |
Il existe de nombreux types différents de définitions des limites de détection. |
| |
Ils sont, |
| |
ils varient selon le domaine et également selon la méthode analytique, 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 pouvant 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, le signal est nettement plus important que celui d'un blanc approprié. Ainsi, dans ces deux définitions, elles concernent intrinsèquement des méthodes différentes. |
| |
Et j'ai parcouru davantage de littérature et si vous faites quelque chose comme la chromatographie liquide haute performance, ils parlent de rapports signal/bruit lorsque vous regardez les courbes. |
| |
Si vous créez des courbes d'étalonnage, il existe certaines méthodologies pour cela et il existe un certain nombre de définitions différentes. |
| |
Concernant les limites de détection, j'encourage donc chacun à trouver celle qui convient le mieux à sa 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 cela 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 auparavant de la recherche d'une très petite quantité d'impureté qui serait une limite inférieure et qui serait laissée censurée. |
| |
Mais il peut également s'agir d'une limite supérieure. Ainsi, 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 juste titre, mais elles s'occupent toutes exactement de la même manière dans JMP. . |
| |
Je veux donc donner un exemple de ce qui se passerait si nous ignorions simplement les limites de détection lorsque nous analysons nos données. |
| |
Donc dans cet exemple, |
| |
sur 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 n'arrive pas à obtenir une mesure précise en dessous, donc ce n'est pas zéro. |
| |
Je ne sais pas dans quelle mesure la chose, quoi que ce soit 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 un très bon exposé de Michael Crotty de JMP dans Découverte 2017 |
| |
et si vous souhaitez plus de détails statistiques, vous devriez aller voir son exposé. |
| |
Très bien, passons en revue cet exemple, disons que nous avons cette détection limitée de 10 et |
| |
ce que nous allons faire, c'est traiter cette partie de la population comme |
| |
qu'on ne sait pas vraiment ce que c'est, alors |
| |
ici j'ai un histogramme donc encore une fois à 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, il est 11 heures, puis il est 12 heures. 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 9,22. |
| |
Mais si j'ai une limite de détection de 10. |
| |
Alors je ne le suis pas, je ne connais 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, surtout si vous regardez ici à 12 heures, j'ai vraiment regroupé mes données ici. |
| |
L'effet que cela a sur la moyenne est que, dans ma véritable population, ma moyenne est d'environ 10,5. |
| |
Quant à 10, il passe à 10,7, puis ma moyenne augmente, elle atteint 11,2, puis 12. En fait, la moyenne est à cette limite de détection lorsque je prends toutes ces valeurs et les transforme en cette limite inférieure. |
| |
Je m'éloigne donc très loin de ma vraie moyenne ici de 10,5. |
| |
Mais regardez ce qui arrive à nos mesures de variation ; mon écart type est celui de ma vraie population, |
| |
et cela passe à 0,8 si la limite de détection est de 10, puis cela passe à 0,4 pour 11, puis jusqu'à 0,2. |
| |
Mes mesures de variation deviennent donc plus petites et je suis donc de plus en plus sûr de la mesure que je fais réellement, qui est très éloignée de ce qu'est réellement la population réelle. |
| |
J'ai donc résumé cela dans les graphiques suivants au milieu ici, vous pouvez voir que j'ai ma vraie population. |
| |
Et je relie les moyens aux autres où j'ai imposé ce faux niveau de détection et vous pouvez voir que les moyens sont considérablement plus élevés et plus éloignés de la vérité. |
| |
Les barres ici représentent l'écart type et vous pouvez voir qu'elles deviennent plus petites, puis l'ombrage orange représente l'intervalle de confiance à 95 % de mon nom. |
| |
Ici à droite, sur le graphique supérieur, j'ai en fait représenté graphiquement la moyenne et la médiane et vous pouvez voir qu'elles 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 des limites de plus en plus élevées. |
| |
Donc on dirait que nous nous en sortons vraiment bien, n'est-ce pas ? J'ai vraiment confiance dans la mesure de ma moyenne, |
| |
assez petit, mais la vérité est que je m'éloigne de plus en plus de cette véritable valeur de population et que je deviens de plus en plus confiant à mesure que je m'éloigne. |
| |
C'est donc vraiment un problème que vous ne puissiez pas nécessairement détecter ce qui se passe réellement et que vous ayez une fausse confiance à propos des choses. |
| |
Ainsi, lorsque nous étendons les limites de détection aux expériences conçues, |
| |
ce que vous allez voir dans une DÉMO dans un instant, 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 concrètes, là 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 existe une belle comparaison interne avec les tests de diagnostic du COVID-19. |
| |
Ainsi, début 2020, |
| |
il y a eu plus de 20 tests auxquels la FDA a accordé 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 du virus vous avez. |
| |
Maintenant, au départ, parce qu'il n'y avait pas de norme - parce que c'est quelque chose de complètement nouveau et 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, l’a publiée et a réévalué les tests de diagnostic. Ainsi, je peux comparer ces deux moments différents du même test en utilisant des normes différentes. |
| |
J’ai donc décidé de simplement faire le classement des tests. Comment savoir ce qu’est un bon et un mauvais test ? Comment vais-je les classer ? |
| |
Eh bien, nous pouvons examiner la relation analytique entre la charge virale, qui est encore une fois le nombre de copies du génome produites par le virus. |
| |
et la sensibilité clinique du test de diagnostic. Donc, ici, sur l’axe X, nous avons combien de copies du génome il y a par millilitre, donc la charge virale. |
| |
Et plus petit, il détecte les cas bénins. Et nous arrivons ici tout à droite, nous ne détecterons en réalité que des individus vraiment très fortement infectés, donc des super propageurs. |
| |
Et puis, quel que soit l’axe des y ici, c’est la fraction des cas détectés. Et encore une fois, il s'agit d'une preuve réelle, donc ce que nous pouvons voir par cette ligne noire, c'est qu'il existe une relation entre la sensibilité clinique et la qualité, |
| |
Je suis désolé, à quel point |
| |
charge virale que nous pouvons détecter. Il est donc bon 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. |
| |
Ainsi, si des tests de diagnostic sont effectués, s’ils l’étaient de manière robuste, nous nous attendrions plus ou moins au même ordre de classement et aux limites de détection similaires. |
| |
S’il y avait un manque de robustesse dans la façon dont ces tests ont été conçus, nous nous attendrions alors à voir un changement dans l’ordre de classement et des limites de détection variables. |
| |
Alors qu'est-ce que j'ai trouvé ? |
| |
J'ai donc représenté graphiquement ici les données que j'ai trouvées, et j'en ai quatre distinctes. |
| |
panneaux ici dans mon graphique. |
| |
Et dans chaque panel, je connecte le même test de diagnostic à deux dates différentes. Ainsi, par exemple, dans la ligne violette à gauche, je connecte |
| |
du rang du 2 avril à celui du 15 septembre et ce test de diagnostic particulier était initialement classé 16e, puis il est passé jusqu'au numéro 1. |
| |
Et aussi je représente graphiquement, j'ai représenté graphiquement les limites finales de détection. Donc, celui-ci aurait été bien pire dans un panel différent si j'avais représenté graphiquement la valeur initiale du 2 avril, c'est donc la valeur finale. |
| |
Ce test s'est donc beaucoup amélioré et ce que nous constatons, c'est qu'il existe quelques autres tests qui ont considérablement augmenté leur capacité à détecter des |
| |
la limite de détection et leur capacité à détecter des charges virales de plus en plus petites. |
| |
Mais nous voyons aussi des tests qui sont devenus 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 est tombé jusqu'au numéro 14. |
| |
Je pense donc que cela montre qu'en général, il s'agit simplement d'un manque de robustesse et de la manière dont ces tâches ont été initialement réalisées. |
| |
Je ne sais pas comment ces tests ont été effectués. |
| |
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 puis-je définir des limites de détection ? |
| |
Eh bien, vous pouvez le faire directement dans le concepteur personnalisé. Il y a en fait maintenant une case dans laquelle vous pouvez simplement saisir les limites de détection. |
| |
Lorsque vous effectuez cette opération dans le concepteur personnalisé sur votre table de sortie, une propriété de colonne contenant les limites de détection est créée. |
| |
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, donc comment je suis arrivé ici, je suis allé chez 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 différents types de limites de détection, j'ai donc 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 nous regardons. |
| |
Dans le tableau de données, ce que nous pouvons voir, c'est que vous pouvez réellement voir cela comme une limite de détection. |
| |
Mais je peux sélectionner tout cela. |
| |
Et faites-les simplement défiler et montrez à quoi ressemble la limite de détection. Il s'agit donc simplement d'un autre élément de la propriété column. Voici donc mon haut et mon bas. |
| |
Et encore une fois, j'ai un haut et un bas. |
| |
Sur celui-ci, c'est juste ma limite inférieure et sur le suivant, 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 configurée dans une expérience de conception, |
| |
vous pouvez simplement accéder aux 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 saisir la valeur de notre choix, pour pouvoir dire 1 300. |
| |
Et |
| |
pour une limite unilatérale. |
| |
Et cela devrait simplement l'ajouter et alors il 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 concepteur personnalisé et le but de cette expérience était d'optimiser la détermination d'un pesticide à partir d'échantillons d'eau. |
| |
C'est une expérience à trois facteurs et elle comportait 32 essais 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 souhaite également 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 sommes pas sûrs de ces valeurs réelles, donc je suppose que nous pourrions prendre zéro pour un cas, puis 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. Voilà 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. |
| |
Alors 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 supérieure et inférieure de détection. |
| |
Voici mes trois facteurs. |
| |
Et je viens de faire une surface de réponse |
| |
concevoir pour que ce soit chacun |
| |
facteur, puis l'interaction quadratique et bidirectionnelle et j'ai fini par faire une conception de 32 passes. |
| |
Voici à quoi ressemblent les données. |
| |
Encore une fois, voici les résultats de 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'avais rien détecté, mais le cas réel 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 définit ou non les limites de détection dans les moindres carrés réguliers. Ainsi, même si je peux exécuter ce script, je souhaite vous montrer comment je l'ai réellement configuré. |
| |
J'ai donc Metacrate comme variable de résultat et nous allons utiliser la régression généralisée. |
| |
Et ici, la distribution est normale et correcte, elle correspond aux données, mais elle entraîne des valeurs de prédiction négatives et il n'existe pas de valeur négative pour la quantité de pesticide dont je dispose. |
| |
Donc, pour que cela reste positif, je vais en fait changer cela pour qu'il soit normal afin que toutes mes valeurs de prédiction soient positives. |
| |
Et remarquez que je n'ai rien à mettre pour la censure. J'ai la possibilité ici mais JMP s'en chargera automatiquement. |
| |
Lorsque nous effectuons un plan d'analyse d'expérience et généralisons la régression, la sélection directe est un bon choix, elle est très similaire à une régression pas à pas ou par étapes que vous connaissez peut-être |
| |
dans la plate-forme de modèle adaptée. |
| |
Donc, ce que nous pouvons voir dans le résumé de mon modèle, c'est qu'il m'a rappelé 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 que vous généralisez la régression, ce que vous regardez, c'est la façon dont les paramètres sont entrés dans le modèle, donc encore une fois, c'est une sélection directe, |
| |
puis ils sont mis à l'échelle en fonction de l'ampleur de leur effet, donc le premier qui entre est mon dichlorométhane, et cela a un effet positif sur le résultat. |
| |
Mais le quadratique est arrivé ensuite, et il a un négatif, |
| |
un effet négatif, donc littéralement une estimation négative. |
| |
Et donc, c’est amusant à voir et avec lequel interagir et, dans l’ensemble, le meilleur modèle basé sur le score AIC minimal comporte cinq étapes. |
| |
Maintenant, j'aime visualiser l'équation, avec le profileur de prédiction. |
| |
Et je vais juste simplifier cela pendant une minute et l'agrandir un peu. |
| |
Donc, ce que le profileur de prédiction nous montre, c'est notre variable de résultat Metacrate et c'est l'axe y ici, alors chaque carré est l'un des facteurs de notre expérience. |
| |
Et ce que nous examinons, c'est l'équation, ou la relation |
| |
graphiquement. Nous pouvons donc voir des interactions car 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 cela 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 facteurs, donc mon échantillon d'eau est juste en dessous de six pour cette quantité de méthanol et cette quantité de dichlorométhane. |
| |
C'est donc le résultat de mon expérience, et j'aimerais 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 d'ajouter quelques colonnes. Et une colonne, j'ai dit, eh bien, peut-être qu'elle est en fait à la limite inférieure, elle est à une droite, donc au lieu de zéro, j'ai simplement changé ces valeurs en une. |
| |
Et puis, alternativement, 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, alors j'ai juste choisi un tout petit , une très petite valeur |
| |
donc une fois 10 puissance moins 12 à droite, donc pointez 00000000001, je pense que c'est le bon nombre de zéros. |
| |
Analysons donc 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 réinitialiser toutes ces valeurs à la limite inférieure de détection. |
| |
Nous allons faire une sélection avancée. |
| |
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 pas, des pas en avant vers ma modélisation et je n'ai pas ramassé beaucoup de choses, j'ai beaucoup d'espaces vides ici et, si on regarde 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 Predicted n'a pas l'air très bonne, elle n'a pas l'air très heureuse. |
| |
C'est donc une situation exacte et encore une fois, donc nous avons totalement raté l'un de nos facteurs, nous ne l'avons tout simplement pas compris. |
| |
Et puis regardons l'autre situation si, au lieu d'une. Et si c'était presque zéro ? |
| |
Pas tout à fait nul mais très, très proche. |
| |
Sélection avant. |
| |
Encore une fois, nous n'utilisons pas les limites de détection ici, mais regardez ceci, mon RSquared est de 0,997. |
| |
Il pense donc avoir trouvé une très bonne solution. |
| |
Mais il y a quand même 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 récupérer mon volume d'échantillon. |
| |
Si nous regardons le profileur de prédiction prédictive. |
| |
Encore une fois, il me manque du méthanol, donc je n'ai pas l'un de mes facteurs, mon tracé réel par prévu semble si bon, mais que diable se passe-t-il ici, là où diable se trouve le sommet de ma courbe. |
| |
Je vais activer cet axe y adaptatif, pour m'assurer de pouvoir tout voir. |
| |
Et il a des valeurs de prédiction qui se comptent par centaines et si je me contente, |
| |
Je ne le ferai pas, je pourrais exécuter la désirabilité maximale, mais vous pouvez voir qu'elle est supérieure à 470, même si j'essaie simplement 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 manière de traiter les données dans votre analyse, vous les avez traitées soit, soit un un, soit 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. |
| |
Donc. |
| |
Les principaux points à retenir que je souhaite vraiment que tout le monde reparte sont les suivants : les limites de détection sont très importantes. |
| |
Et vous ne devriez pas les ignorer et ne pas les remplacer par celui avec la valeur élevée ou faible et vous êtes vraiment |
| |
vous devez intégrer cette incertitude dans l'analyse réelle. Et JMP rend cela très simple à réaliser. Vous pouvez le faire dans la plateforme de conception d’expériences, vous pouvez le faire dans une propriété de colonne. |
| |
Et puis, une fois qu'ils y sont, 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, où vous avez peut-être constaté 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 réanalyser ces données et en utilisant les 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 nous contacter. |
