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 Erkennungsgrenzen 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 Auswirkungen von Nachweisgrenzen auf die Datenanalyse.

Wenn wir nach sehr kleinen Mengen einer Substanz suchen, sind wir durch die von uns verwendete Technologie eingeschränkt. Eine Substanz könnte vorhanden, aber nicht nachweisbar sein, ist die untere Nachweisgrenze und hat eine große praktische Bedeutung für den Nachweis geringer Konzentrationen einer Substanz in kritischen Situationen, etwa bei der Erkennung des Beginns einer Infektion oder der korrekten Identifizierung kleiner Mengen von Verunreinigungen. Das Ignorieren der Nachweisgrenzen bei der Datenanalyse hat schwerwiegende Auswirkungen; Grundlegende Statistiken wie Mittelwerte und Konfidenzintervalle werden verzerrt und irreführend. Modellierungsdaten 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 die Entwicklung diagnostischer Tests.

 

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Mike Anderson	Hallo.
	Lassen Sie uns über die neue Funktion in JMP 16 sprechen, die Erkennungsgrenzen.
	Worüber ich heute sprechen werde, sind die Hintergründe zur Definition der Nachweisgrenzen.
	Ich möchte einige statistische Überlegungen anstellen, falls Sie die Nachweisgrenzen außer Acht lassen.
	Ich schaute mich um und fand meiner Meinung nach reale Beweise für mangelnde Robustheit bei einigen entwickelten Produkten, insbesondere bei COVID-19-Diagnosetests, und diese Produkte enthalten die Nachweisgrenzen.
	Und schließlich zeige ich Ihnen, wie Sie die Nachweisgrenzen in JMP tatsächlich nutzen, wie Sie sie eingeben, wie Sie sie in der Versuchsplanung einrichten und wie Sie Ihre Daten mithilfe von Grenzwerten analysieren der Erkennung.
	Woher wissen wir, ob etwas da ist?
	Das hört sich vielleicht ein wenig wie eine esoterische Frage an, aber wenn Sie eine Analysemethode verwenden, handelt es sich weniger um eine esoterische Frage als vielmehr um die Frage, wie gut Ihr System ist.
	Wenn wir beispielsweise versuchen, eine sehr kleine Menge an Verunreinigungen in etwas zu finden, wird unser System, mit dem wir es nachweisen, irgendwann nicht mehr in der Lage sein, Mengen zu erkennen, die unter einem bestimmten Wert liegen Grenze, die als Nachweisgrenze bezeichnet wird.
	Es gibt viele verschiedene Arten von Definitionen der Nachweisgrenzen.
	Sie sind,
	Sie variieren je nach Fachgebiet und auch je nach Analysemethode, daher habe ich hier einige aufgeführt. Laut FDA ist bei einem molekulardiagnostischen Assay 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 methodenbegrenzten Nachweis als die kleinste Konzentration oder absolute Menge
	eines Analyten, dass das Signal deutlich größer ist als bei einem geeigneten Blindwert. In diesen beiden Definitionen geht es also grundsätzlich um unterschiedliche Methoden.
	Und ich habe weitere Literatur durchgesehen und wenn man so etwas wie Hochleistungsflüssigkeitschromatographie betreibt, spricht man beim Betrachten der Kurven von Signal-Rausch-Verhältnissen.
	Wenn Sie Kalibrierungskurven erstellen, gibt es dafür bestimmte Methoden und es gibt eine Reihe unterschiedlicher Definitionen.
	Was die Nachweisgrenzen betrifft, möchte ich jedem empfehlen, diejenige zu finden, die für seine Analysemethode am sinnvollsten ist, und dann auch die branchenspezifischen Richtlinien zu befolgen.
	Im JMP,
	Wir definieren die Nachweisgrenzen, da es sich um eine Spalteneigenschaft handelt und darüber hinaus
	Die Reaktion kann nicht gemessen werden, daher wird sie begrenzt, und wenn wir die Daten analysieren, werden die Daten tatsächlich zensiert.
	Das Beispiel, das ich zuvor angeführt habe, war die Suche nach einer sehr geringen Menge an Verunreinigung, die eine Untergrenze darstellte und zensiert bliebe.
	Es könnte sich aber auch um eine Obergrenze handeln. Wenn Sie beispielsweise Druck auf ein Objekt ausüben, stoppt Ihr Manometer möglicherweise an einer Obergrenze.
	Sie könnten tatsächlich mehr Druck ausüben, aber Ihr Messgerät geht einfach nicht höher, und das wäre eine Obergrenze, und diese Daten würden zu Recht zensiert, aber in JMP werden sie alle auf die gleiche Weise behandelt .
	Deshalb möchte ich ein Beispiel dafür nennen, was passieren würde, wenn wir bei der Analyse unserer Daten die Nachweisgrenzen einfach ignorieren würden.
	In diesem Beispiel also
	Im Histogramm unten können Sie sehen, ich habe eine echte Population, und das sind alles 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 Ding, was auch immer ich zu messen versuche, vorhanden ist, also wie viele Teilchen es gibt, also ist die richtige statistische Methode auch hierfür 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.
	Also gut, lassen Sie uns dieses Beispiel durchgehen. Nehmen wir 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 rechts hier noch einmal meine wahre Bevölkerung.
	Und ich habe hier ein paar verschiedene Szenarien. Nehmen wir also an, meine Erkennungsgrenze liegt bei 10
	und dann ein anderes Mal ist es 11 und dann ist es 12. Was ich hier also mache, ist, diese Daten zu nehmen und sie tatsächlich in Richtung 10 zu erhöhen.
	Ich zeige Ihnen, wie das aussieht. Dies geschieht also nicht automatisch mit den Nachweisgrenzen, dies ist ein Beispiel, das ich konstruiert habe.
	Wenn Sie sich zum Beispiel Zeile 7 ansehen, ist mein wahrer Wert 9,22.
	Aber wenn ich eine Nachweisgrenze von 10 habe.
	Dann bin ich es nicht, ich wüsste den Wert von 9,22 nicht wirklich und das Beste, was ich tun könnte, wäre, ihn einfach als 10 aufzuschreiben.
	Alternativ könnte ich auch „fehlend“ oder „null“ angeben, aber ich denke, 10 wäre vielleicht etwas realistischer.
	Wenn meine begrenzte Erkennung nun 11 wäre, müsste ich diese Zahl auf 11 erhöhen, und wenn meine begrenzte Erkennung nun 12 wäre, würde ich diesen Datenpunkt verschieben und ihn in eine 12 umwandeln.
	Was wir also sehen, ist vor allem, 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 Bevölkerung bei etwa 10,5 liegt.
	Was 10 angeht, geht es auf 10,7 und dann wird mein Mittelwert höher, er wird 11,2 und dann ist er 12, das ist tatsächlich der Mittelwert, der an dieser Nachweisgrenze liegt, wenn ich alle diese Werte nehme und sie in diese untere Grenze umwandele.
	Ich entferne mich also deutlich von meinem wahren Mittelwert von 10,5.
	Aber schauen Sie, was mit unseren Variationsmaßen passiert; meine Standardabweichung beträgt eins in meiner wahren Grundgesamtheit,
	und es geht auf 0,8, wenn die Nachweisgrenze 10 beträgt, und dann geht es auf 0,4 für 11 und dann ganz nach unten auf 0,2.
	Meine Variationsmaße werden also immer kleiner und ich bin tatsächlich zuversichtlicher, was die Messung angeht, die ich tatsächlich vornehme, die weit von dem entfernt ist, was die tatsächliche Grundgesamtheit tatsächlich ist.
	Deshalb habe ich in den folgenden Grafiken in der Mitte zusammengefasst, wie Sie sehen können, dass ich meine wahre Bevölkerung habe.
	Und ich verbinde die Mittel mit den anderen, denen ich dieses falsche Erkennungsniveau auferlegt habe, und Sie sehen, dass die Mittel dramatisch immer höher werden und sich immer weiter von der Wahrheit entfernen.
	Die Balken hier stellen die Standardabweichung dar und Sie können sehen, dass diese kleiner werden und die orange Schattierung dann das 95 %-Konfidenzintervall meines Namens darstellt.
	Hier rechts, im oberen Diagramm, habe ich tatsächlich sowohl den Mittelwert als auch den Median grafisch dargestellt, und Sie können sehen, dass sie sich auf ähnliche Weise verhalten.
	Das ist überraschend, denn man könnte meinen, der Median wäre etwas robuster, aber in dieser Situation hilft es Ihnen wirklich nicht weiter.
	Und darunter habe ich meine Variationsmaße und Sie können sehen, dass sie kleiner werden, wenn wir diese immer höheren Grenzen festlegen.
	Es sieht also so aus, als ob es uns wirklich gut geht, oder? Mein Vertrauen in die Messung meines Mittelwerts wird immer größer.
	ziemlich klein, aber die Wahrheit ist, dass ich mich immer weiter von diesem wahren Bevölkerungswert entferne und je weiter ich entferne, desto selbstbewusster werde ich.
	Das ist also wirklich besorgniserregend, da Sie nicht unbedingt erkennen können, was wirklich vor sich geht, und Sie werden fälschlicherweise zuversichtlich sein, was die Dinge angeht.
	Wenn wir also die Nachweisgrenzen auf geplante Experimente ausdehnen,
	Was Sie gleich in einer DEMO sehen werden, ist, dass wir unsere kritischen Faktoren nicht finden und auch nicht die wahre Beziehung zwischen unseren Faktoren entdecken werden.
	Bevor ich Ihnen dies in JMP zeige, habe ich die Literatur wirklich durchgesehen und versucht, einige reale Beweise zu finden, bei denen ich dachte, ich könnte einen Mangel an Robustheit feststellen
	im Zusammenhang mit den Nachweisgrenzen in einem entworfenen Produkt. Und ich habe herausgefunden, dass es diesen schönen internen Vergleich mit COVID-19-Diagnosetests gibt.
	Also, Anfang 2020,
	Es gab mehr als 20 Tests, für die die FDA eine Notfallzulassung erteilte.
	Bei allen handelt es sich um Echtzeit-PCR-Tests, bei denen die Viruslast getestet wird, also wie viele Kopien des Virusgenoms Sie haben.
	Da es zunächst keinen Standard gab – weil es sich um etwas völlig Neues handelte, das wir noch nie zuvor gesehen hatten –, konnten Unternehmen zunächst ihren eigenen internen Standard entwickeln und verwenden.
	Später im Jahr erstellte die FDA einen eigenen Standard, gab diesen heraus und bewertete die Diagnosetests neu. So kann ich diese beiden unterschiedlichen Zeitpunkte desselben Tests mit unterschiedlichen Standards vergleichen.
	Also beschloss ich, einfach die Rangfolge der Tests vorzunehmen. Woher wissen Sie, was ein guter und ein schlechter Test ist? Wie soll ich diese ordnen?
	Nun, wir können uns die analytische Beziehung zwischen der Viruslast ansehen, die wiederum die Anzahl der Genomkopien ist, die das Virus erstellt
	und die klinische Sensitivität des diagnostischen Tests. Hier auf der X-Achse sehen wir also, wie viele Genomkopien es pro Milliliter gibt, also die Viruslast.
	Und kleiner erkennt leichte Fälle. Und wenn wir hier weit nach rechts kommen, werden wir wirklich nur wirklich sehr stark infizierte Individuen entdecken, also Superspreizer.
	Und was hier auf der Y-Achse ist, ist der Anteil der erkannten Fälle. Und noch einmal: Dies ist hier ein echter Beweis. Was wir an dieser schwarzen Linie sehen können, ist, dass es einen Zusammenhang zwischen klinischer Sensitivität und der Frage gibt, wie gut,
	Es tut mir leid, so klein
	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 basierend auf jedem Standard erstellt.
	Wenn also diagnostische Tests durchgeführt würden, würden wir, wenn sie auf robuste Weise durchgeführt würden, mehr oder weniger die gleiche Rangfolge und ähnliche Nachweisgrenzen erwarten.
	Wenn es bei der Konzeption dieser Tests an Robustheit mangelte, würden wir tatsächlich mit einer Änderung der Rangfolge und unterschiedlichen Nachweisgrenzen rechnen.
	Was habe ich also gefunden?
	Hier habe ich die Daten, die ich gefunden habe, grafisch dargestellt, und ich habe vier separate Daten
	Panels hier in meiner Grafik.
	Und in jedem Panel verbinde ich denselben Diagnosetest zu zwei unterschiedlichen Terminen. So verbinde ich zum Beispiel in der violetten Linie links
	vom Rang vom 2. April auf den vom 15. September und dieser spezielle Diagnosetest lag ursprünglich auf Platz 16 und stieg dann bis auf Platz 1 auf.
	Und ich stelle auch die endgültigen Nachweisgrenzen grafisch dar, ich habe sie grafisch dargestellt. Dieser Wert wäre also in einem anderen Panel viel schlechter ausgefallen, wenn ich den Anfangswert vom 2. April grafisch dargestellt hätte, also ist dies der Endwert.
	Dieser Test ist also viel, viel besser geworden, und wir sehen, dass es einige andere Tests gibt, die ihre Erkennungsfähigkeit dramatisch verbessert haben
	die Nachweisgrenze und ihre Fähigkeit, immer kleinere Viruslasten zu erkennen.
	Aber wir sehen auch Tests, die viel, viel schlechter geworden sind und sich wiederum um mehrere Größenordnungen ändern, so zum Beispiel dieser unterste hier in Rot, es war am 2. April der drittbeste Test, aber dann es fiel bis auf Platz 14.
	Ich denke, das zeigt, dass es im Allgemeinen nur an der Robustheit und der Art und Weise, wie diese Aufgaben ursprünglich gemacht wurden, mangelt.
	Ich weiß nicht, wie diese Tests durchgeführt wurden.
	Ich weiß nicht, ob sie JMP und ein geplantes Experiment und Nachweisgrenzen verwendet haben, aber ich denke, dass die Anwendung dieser Art von Techniken sicherlich alles, was Nachweisgrenzen verwendet, viel robuster machen könnte.
	Schauen wir uns also JMP an.
	Wie lege ich also Nachweisgrenzen fest?
	Nun, Sie können dies direkt im benutzerdefinierten Designer tun. Es gibt jetzt tatsächlich ein Feld, in das 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, wird die generalisierte Regression Folgendes behandeln:
	wird diese Nachweisgrenzen verwenden und Variablen außerhalb dieser Nachweisgrenzen als zensierte Werte behandeln.
	Lassen Sie mich Ihnen zeigen, wie das in JMP geht.
	So würde also eine Datentabelle aussehen, die ich in der Versuchsplanung erstellt habe. Ich bin also zu DOE gegangen, einem kundenspezifischen Designer.
	Und Sie können hier sehen, wo ich meine Erkennungsgrenzen für jede meiner Antworten eingeben würde.
	Es ist langweilig, mir beim Tippen zuzusehen, also zeige ich Ihnen, wie ich diese spezielle Datentabelle bereits eingerichtet habe.
	Und hier habe ich mehrere Antworten.
	Und ich habe verschiedene Arten von Nachweisgrenzen, sodass ich für einige meiner Antworten sowohl eine obere als auch eine untere Nachweisgrenze habe. 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 das Feld auch einfach leer lassen, wenn Sie keine Nachweisgrenze haben.
	Und wenn wir schauen.
	Was wir in der Datentabelle sehen können, ist, dass dies tatsächlich als Nachweisgrenze angesehen werden kann.
	Aber ich kann sie alle auswählen.
	Und scrollen Sie einfach durch sie und zeigen Sie, wie die Nachweisgrenze aussieht. Es handelt sich also lediglich um ein weiteres Element in der Spalteneigenschaft. Hier ist mein Ober- und Unterteil.
	Und wieder habe ich ein Ober- und ein Unterteil.
	In diesem Fall ist dies nur meine Untergrenze und im nächsten Fall ist dies nur meine Obergrenze.
	Jetzt gibt es für die Viskosität überhaupt keine. Wenn ich also noch einmal zurückgehen und diese manuell hinzufügen möchte oder wenn Sie Nachweisgrenzen für die Analyse verwenden, diese aber nicht in einem Designexperiment eingerichtet haben,
	Sie können einfach zu den Spalteneigenschaften gehen und sie finden sich hier in der Liste. Das sind also alles Spalteneigenschaften, die für ein geplantes Experiment gelten.
	Fügen Sie einfach Nachweisgrenzen hinzu, und dann können wir einfach den gewünschten Wert eingeben, also etwa 1300.
	Und
	für eine einseitige Grenze.
	Und das sollte es einfach hinzufügen und dann wird es da sein.
	Auf diese Weise erhalten Sie die Erkennungsgrenzen.
	Datentabellen und Spalteneigenschaften.
	Also gut, jetzt reden wir darüber, wie man Daten analysiert, deren Erkennungsgrenzen begrenzt sind.
	Dazu möchte ich ein Experiment analysieren, das mit einem benutzerdefinierten Designer erstellt wurde und dessen Ziel darin bestand, die Bestimmung eines Pestizids aus Wasserproben zu optimieren.
	Es handelt sich um ein Drei-Faktoren-Experiment mit 32 Durchläufen und einem optimalen Design.
	Neun dieser Beobachtungen lagen unterhalb der Nachweisgrenze von 1 %.
	Deshalb zeige ich Ihnen, wie Sie die Daten in JMP analysieren.
	Dann möchte ich aber auch diesen zusätzlichen Vergleich anstellen. Was wäre also, wenn wir die Nachweisgrenzen nicht nutzten oder nicht hätten?
	Nun, meine begrenzte Erkennung liegt bei 1 %, und auch hier sind wir unsicher, wie hoch diese tatsächlichen Werte sind, also schätze ich, wir könnten für einen Fall Null annehmen und dann.
	Es liegt also kein Pestizid in der Wasserprobe vor, oder wir können sagen, dass es genau an der 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 unsere Ergebnisse werden tatsächlich völlig irreführend und ungenau sein.
	Lassen Sie mich Ihnen zeigen, wie das in JMP geht.
	Das ist es also, was mein.
	Das Design sieht so aus, also habe ich Metacrate als Antwort und hier sind meine oberen und unteren Erkennungsgrenzen.
	Hier sind meine drei Faktoren.
	Und ich habe gerade eine Antwortoberfläche erstellt
	Design, also ist es jeder
	Faktor und dann die quadratische und die Zwei-Wege-Interaktion, und am Ende habe ich einen 32-Run-Entwurf erstellt.
	So sehen die Daten aus.
	Dies sind also noch einmal die Ergebnisse meiner Versuchsplanung und der Fälle, in denen ich sie erhalten habe
	Null, das sagt also meine Maschine, meine Maschine sagte, ich hätte nichts entdeckt, aber der wahre Fall ist, dass sie zensiert ist, und hier sind meine Nachweisgrenzen, seit ich meinen Versuchsplan erstellt habe.
	Und wir werden dies mit der generalisierten Regression analysieren.
	Es führt Erkennungsgrenzen durch oder nicht in regulären kleinsten Quadraten. Während ich dieses Skript ausführen könnte, möchte ich Ihnen zeigen, wie ich es tatsächlich eingerichtet habe.
	Ich habe also Metacrate als meine Ergebnisvariable und wir werden die generalisierte Regression verwenden.
	Und hier ist die Normalverteilung in Ordnung, dass sie zu den Daten passt, aber sie führt zu negativen Vorhersagewerten und es gibt keinen negativen Wert für die Menge an Pestiziden, die ich habe.
	Um es positiv zu halten, werde ich das ändern, um normal zu protokollieren, sodass alle meine Vorhersagewerte positiv sind.
	Und beachten Sie, dass ich zur Zensur nichts eingeben muss. Ich habe hier die Möglichkeit, aber JMP kümmert sich automatisch darum.
	Wenn wir eine Design-of-Experiment-Analyse durchführen und die Regression verallgemeinern, ist die Vorwärtsauswahl eine gute Wahl. Sie ist der Durchführung einer schrittweisen oder schrittweisen Regression sehr ähnlich, mit der Sie vielleicht vertraut sind
	in der In-the-Fit-Modellplattform.
	Was wir also in meiner Modellzusammenfassung sehen können, ist, dass es mich daran erinnert, dass es Nachweisgrenzen hat.
	Und mein RSQuadrat beträgt 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 und einer verallgemeinerten Regression nicht vertraut sind, sehen Sie sich die Art und Weise an, wie die Parameter in das Modell eingegeben wurden. Es handelt sich also wiederum um eine Vorwärtsauswahl.
	Und dann werden sie nach ihrer Wirkungsstärke skaliert, sodass als erstes mein Dichlormethan eindringt, und das wirkt sich positiv auf das Ergebnis aus.
	Aber als nächstes kam das Quadratische, und es hat ein Negativ,
	ein negativer Effekt, also im wahrsten Sinne des Wortes eine negative Schätzung.
	Es macht also Spaß, das zu sehen und damit zu interagieren, und insgesamt hat das beste Modell, basierend auf dem minimalen AIC-Score, fünf Schritte.
	Jetzt möchte ich die Gleichung mit dem Vorhersageprofiler visualisieren.
	Und ich werde dies nur für eine Minute vereinfachen und etwas größer machen.
	Was uns der Vorhersageprofiler zeigt, ist unsere Ergebnisvariable Metacrate und 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 der anderen Faktoren ändert, wenn ich dies ändere, wenn ich Dichloralmethan ändere, und Sie können sicherlich sehen, dass bei diesen Parametern eine starke Krümmung stattfindet.
	Ich habe auch meinen tatsächlichen Wert vorhergesagt
	Handlung und das sieht eigentlich ziemlich gut aus.
	Ich möchte also die Menge an Metacrate maximieren, die ich erkennen kann, deshalb habe ich mein Experiment durchgeführt. Deshalb werde ich JMP bitten, das maximale Level zu ermitteln.
	Und es wurde festgestellt, dass die maximale Menge an Metacrate, die ich erkennen konnte, 38,6 beträgt.
	Und das gilt für diese Faktoreinstellungen, sodass meine Wasserprobe für diese Menge Methanol und diese Menge Dichlormethan knapp unter sechs liegt.
	Das ist also das Ergebnis meines Experiments, und ich möchte noch einmal zurückgehen und es tatsächlich testen und sicherstellen, dass es funktioniert.
	Was wäre, wenn ich die Nachweisgrenzen ignorieren und einfach etwas anderes versuchen würde?
	Hier habe ich also genau die gleichen Daten.
	Mit Metacrate mit Null, aber ich habe ein paar Spalten hinzugefügt. Und eine Spalte, sagte ich, nun ja, vielleicht liegt sie tatsächlich an der unteren Grenze, sie liegt bei eins rechts, also habe ich diese Werte statt Null einfach auf Eins geändert.
	Und dann, alternativ, nun, was wäre, wenn in diesen Proben nichts zu finden wäre, und dann wäre das Null und in diesem Fall kann ich Null nicht verwenden, weil es logarithmisch normal ist, also habe ich einfach einen winzigen Wert ausgewählt , ein sehr kleiner Wert
	Also einmal 10 hoch minus 12, also Punkt .00000000001, denke, das ist die richtige Anzahl von Nullen.
	Lassen Sie uns also die Daten unter diesen beiden Bedingungen analysieren und auch hier nicht die Nachweisgrenzen nutzen.
	Anstelle von Metacrate werde ich also das erste einfügen, bei dem wir einfach alle Werte auf genau die untere Erkennungsgrenze zurücksetzen.
	Wir werden eine Vorwärtsauswahl durchführen.
	Es gibt also keine, wie Sie sehen, gibt es hier keine Nachweisgrenzen wie zuvor, als mein RSquare knapp unter 0,7 lag.
	Aber Sie können sowohl meinem Lösungspfad als auch meiner Parameterschätzungstabelle entnehmen,
	Ich habe nur drei Schritte, Vorwärtsschritte zu meiner Modellierung und ich habe nicht viel aufgegriffen, ich habe hier viele Leerstellen und wenn wir uns das Bild von mir ansehen
	Gleichung hier unten im Profiler, Sie können sehen, dass mir tatsächlich einer meiner Faktoren fehlt. Wir können ihn mit diesem hier vergleichen. Mir hat Methanol völlig gefehlt.
	Und wenn ich maximiere
	Um die größte Menge an Metacrate zu finden, die ich finden konnte, sind es nur etwa 16.
	Und meine tatsächliche, vorhergesagte Handlung sieht nicht sehr gut aus, sie sieht nicht sehr glücklich aus.
	Das ist also eine Situation, und wieder einmal: Wir haben einen unserer Faktoren einfach völlig übersehen und ihn einfach nicht verstanden.
	Und dann schauen wir uns die andere Situation an, wenn statt eins Was ist, wenn es fast Null ist?
	Nicht ganz Null, aber sehr, sehr nahe.
	Vorwärtsauswahl.
	Auch hier verwenden wir keine Nachweisgrenzen, aber sehen Sie sich das an, mein RSquared beträgt 0,997.
	Es ist also der Meinung, dass es eine wirklich gute Lösung gefunden hat.
	Aber hier passiert immer noch etwas Seltsames, ich habe nur drei Schritte in meinem Modell, ich habe überhaupt nicht viel gefunden, fand ich
	Mein Dichlormethan und ich haben gerade erst mein Probenvolumen aufgenommen.
	Schauen wir uns den Prediction Prediction Profiler an.
	Wieder fehlt mir Methanol, also habe ich keinen meiner Faktoren, meine tatsächliche, prognostizierte Handlung sieht so aus, aber was um alles in der Welt ist hier los, 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 etwa im Hunderterbereich liegen, und wenn ich nur...
	Das werde ich nicht tun, ich könnte die Maximierung der Erwünschtheit ausführen, aber Sie können sehen, dass sie über 470 liegt, selbst wenn ich einfach manuell versuche, etwas auszuwählen. Denken Sie jetzt daran,
	Meine Nachweisgrenze lag bei 99, daher ergeben diese Werte überhaupt keinen Sinn.
	Und
	Ich habe einen Faktor übersehen, das macht keinen Sinn, aber ein Grund, warum ich dieses Beispiel wirklich zeigen möchte, ist, dass ich es bei Kunden gesehen habe.
	und ich konnte ihnen nicht erklären, was los war, daher weiß ich, dass dies tatsächlich passiert, wenn die Leute die Nachweisgrenzen nicht nutzen,
	Sie erhalten ein sehr, sehr seltsames Ergebnis, weil Sie eine Entscheidung darüber getroffen haben, wie die Daten in Ihrer Analyse behandelt werden sollen. Sie haben sie entweder als Eins oder als Null behandelt.
	In diesem Fall sind dies die beiden alternativen Szenarien, aber sie sind weit entfernt von der tatsächlichen Realität, was die tatsächliche Fähigkeit zum Nachweis dieses Pestizids im Wasser und dem Ergebnis meines Designexperiments angeht.
	Also.
	Die wichtigsten Erkenntnisse, die ich wirklich allen vermitteln möchte, sind Nummer eins: Die Nachweisgrenzen sind sehr wichtig.
	Und Sie sollten sie nicht ignorieren und sie nicht durch die mit dem hohen oder niedrigen Wert ersetzen, und Sie sind es wirklich
	Sie sollten diese Unsicherheit in die eigentliche Analyse einbeziehen. Und JMP macht dies ganz einfach. Sie können dies in der Plattform „Design of Experiments“ tun, Sie können es in einer Spalteneigenschaft tun.
	Sobald sie da sind, können Sie mithilfe der generalisierten Regression eine Analyse durchführen, die die Nachweisgrenzen einbezieht und Ihnen das allerbeste Modell liefert. Sie finden Ihre Faktoren und die tatsächlichen Beziehungen zwischen ihnen.
	Und schließlich ermutigen wir bei JMP die Leute wirklich dazu, zurückzugehen und die Daten erneut zu analysieren, bei denen Sie vielleicht einige dieser seltsamen Ergebnisse gesehen haben.
	Es könnte sein, dass Sie aufgrund einer Analysemethode wissen, wann Sie eine Nachweisgrenze haben
	Und wir sind wirklich der Meinung, dass die Leute noch einmal zurückgehen und diese Daten noch einmal analysieren sollten. Wenn Sie bei der Versuchsplanung Nachweisgrenzen verwenden, kommen Sie wirklich viel schneller und genauer an Ihr Ziel.
	Vielen Dank, dass Sie meinem Vortrag zugehört haben. Wenn Sie Fragen haben oder weitere Informationen wünschen, können Sie sich gerne an uns wenden.

AusbrechenDAMHIRSCHKUHStatistik und Modellierung