398719_ko-KR

liliconcom

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

레벨: 초급

 

Laura Higgins, JMP 글로벌 기술 지원 엔지니어, SAS JMP

 

JMP 16에는 탐지 한계를 열 속성에 통합하고 JMP Pro의 일반화 회귀 플랫폼을 사용한 모델링 중에 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 우리가 사용하는 기술에 의해 제한됩니다. 물질이 존재할 수 있지만 검출할 수 없는 것은 검출의 하한이며 감염의 시작을 식별하거나 소량의 불순물을 정확하게 식별하는 등 중요한 상황에서 낮은 수준의 물질을 검출하는 데 실질적으로 매우 중요합니다. 데이터 분석에서 탐지 한계를 무시하면 심각한 영향을 미칩니다. 평균이나 신뢰구간과 같은 기본 통계는 편향되고 오해의 소지가 있습니다. 검출 한계에 대한 잘못된 가정을 사용하여 데이터를 모델링하면 잘못된 모델이 생성됩니다. 검출 한계는 제약 및 화학 제조, 분석 화학, 진단 테스트 설계와 같은 산업 응용 분야에 영향을 미칩니다.

 

 

 

자동 생성된 스크립트...

 

스피커	성적 증명서
마이크 앤더슨	안녕하세요.
	JMP 16의 새로운 기능인 탐지 한계에 대해 이야기해 보겠습니다.
	오늘 제가 이야기할 내용은 검출한계 정의에 대한 배경입니다.
	탐지 한계를 무시하는 경우 몇 가지 통계적 고려 사항을 살펴보고 싶습니다.
	저는 주변을 둘러보며 일부 설계된 제품, 특히 코로나19 진단 테스트에서 견고성이 부족하다는 실제 증거를 발견했으며 이러한 제품에는 탐지 한계가 포함되어 있습니다.
	그리고 마지막으로 JMP에서 탐지 한계를 실제로 사용하는 방법과 이를 입력하는 방법, 실험계획법에서 설정하는 방법, 한계를 이용해 데이터를 분석하는 방법을 알려드리겠습니다. 탐지의.
	뭔가가 있는지 어떻게 알 수 있나요?
	따라서 다소 난해한 질문처럼 들릴 수도 있지만 분석 방법을 사용할 때는 난해한 질문이라기보다는 시스템이 얼마나 좋은지에 대한 질문에 더 가깝습니다.
	예를 들어, 우리가 무언가에서 매우 적은 양의 불순물을 찾으려고 한다면, 어느 시점에서는 우리가 탐지하는 시스템이 특정 수준보다 낮은 양을 탐지할 수 없게 될 것입니다. 이를 검출한계라고 합니다.
	검출 한계에 대한 정의에는 다양한 종류가 있습니다.
	그들은,
	분야와 분석 방법에 따라 다르므로 여기에 몇 가지를 올려 놓았습니다. FDA는 분자 진단 분석의 경우 제한된 검출은 반복 측정의 95%에서 검출할 수 있는 가장 낮은 농도의 표적을 말합니다.
	이제 화학 세계에서 말하는 것을 살펴보면 제한된 검출 방법을 최소 농도 또는 절대량으로 정의합니다.
	신호가 적합한 공백보다 상당히 크다는 분석물의 결과입니다. 따라서 이 두 가지 정의는 본질적으로 서로 다른 방법에 관한 것입니다.
	그리고 더 많은 문헌을 살펴보았는데 고성능 액체 크로마토그래피와 같은 작업을 수행하는 경우 곡선을 볼 때 신호 대 잡음비에 대해 이야기합니다.
	교정 곡선을 만드는 경우 이에 대한 특정 방법론이 있으며 거기에는 다양한 정의가 있습니다.
	검출의 한계 때문에 모든 사람이 자신의 분석 방법에 가장 적합한 방법을 찾은 다음 업계별 지침을 따르도록 권장합니다.
	JMP에서는
	우리는 탐지의 한계를 정의합니다...그것은 열 속성이고 그 이상은
	응답은 측정할 수 없으므로 제한적이며 데이터를 분석할 때 실제로 수행하는 작업은 데이터를 검열하는 것입니다.
	그래서 제가 이전에 하한선이 되고 검열된 채로 남겨질 아주 적은 양의 불순물을 찾는 예를 들었습니다.
	그러나 이는 상한일 수도 있으므로 예를 들어 물체에 압력을 가하는 경우 압력 게이지가 상한에서 멈출 수 있습니다.
	실제로 더 많은 압력을 가할 수도 있지만 게이지는 더 이상 올라가지 않고 상한선이 되며 해당 데이터는 적절하게 검열되지만 JMP에서는 모두 똑같은 방식으로 처리됩니다. .
	그래서 저는 데이터를 분석할 때 탐지 한계를 무시하면 어떤 일이 일어날지 예를 들어 살펴보고 싶습니다.
	따라서 이 예에서는
	아래 히스토그램을 보면 실제 모집단이 있고 모두 녹색 막대이지만 감지 범위가 제한되어 있다고 가정해 보겠습니다.
	10이면 그 이하에서는 정확한 측정을 할 수 없으므로 0이 아닙니다.
	제가 측정하려는 것이 얼마나 많은지, 얼마나 많은 입자가 있는지 알 수 없습니다. 따라서 이에 대한 올바른 통계 방법은 검열이며 Michael Crotty의 아주 좋은 강연이 있습니다. Discovery 2017의 JMP
	더 자세한 통계 정보를 원하시면 그의 강연을 확인해 보세요.
	좋습니다. 이 예를 살펴보겠습니다. 10개로 제한된 감지가 있다고 가정해 보겠습니다.
	우리가 할 일은 인구의 그 부분을 다음과 같이 취급하는 것입니다.
	우리는 그것이 무엇인지 실제로 알지 못합니다.
	여기 히스토그램이 있고 오른쪽에는 제 실제 인구가 있습니다.
	여기에는 몇 가지 다른 시나리오가 있으므로 감지 한계가 10이라고 가정해 보겠습니다.
	그리고 또 다른 때는 11시, 그 다음에는 12시입니다. 그래서 제가 여기서 하는 일은 이 데이터를 가져와 실제로 10을 향해 올리는 것입니다.
	이것이 어떤 모습인지 보여드리겠습니다. 따라서 이것은 탐지의 한계로 인해 자동으로 발생하는 것이 아니라 제가 구성한 예입니다.
	따라서 예를 들어 행 7을 보면 실제 값은 9.22입니다.
	하지만 탐지 제한이 10이라면.
	그렇다면 저는 그렇지 않습니다. 저는 실제로 9.22의 값을 알지 못할 것이며 제가 할 수 있는 최선은 그냥 10으로 기록하는 것입니다.
	또는 누락 또는 0으로 설정할 수도 있지만 10이 좀 더 현실적일 수 있다고 생각합니다.
	이제 제한된 감지가 11이라면 해당 숫자를 11로 이동해야 하며 마찬가지로 제한된 감지가 12라면 해당 데이터 포인트를 이동하여 12로 바꿉니다.
	그래서 우리가 보는 것은 특히 여기 12시에 보면 제 데이터가 여기에 잔뜩 모여 있다는 것입니다.
	이것이 평균에 미치는 영향은 실제 모집단에서 평균이 약 10.5라는 것입니다.
	10의 경우 10.7이 되고 평균이 점점 높아지고, 11.2가 되고 12가 됩니다. 모든 값을 취하여 하한으로 바꾸면 실제로 평균은 탐지 한계에 있습니다.
	그래서 저는 여기의 실제 평균인 10.5에서 훨씬 멀어지고 있습니다.
	그러나 우리의 변동 측정에 어떤 일이 일어나는지 살펴보십시오. 내 표준편차는 내 실제 모집단의 표준편차입니다.
	검출 한계가 10이면 0.8로 가고, 11이면 0.4로 내려가고, 그 다음에는 0.2로 계속 내려갑니다.
	따라서 변동에 대한 측정값은 점점 작아지고 실제 모집단과는 거리가 먼 측정값에 대해 실제로 더 확신을 가지게 됩니다.
	그래서 저는 여기 중앙에 있는 다음 그래프를 요약했습니다. 보시다시피 제 실제 인구가 있습니다.
	그리고 저는 잘못된 탐지 수준을 적용한 다른 수단의 수단을 연결하고 있으며, 그 수단이 극적으로 높아지고 진실에서 멀어지는 것을 볼 수 있습니다.
	여기 막대는 표준 편차이고 보시다시피, 막대는 점점 작아지고 주황색 음영은 내 이름의 95% 신뢰 구간입니다.
	여기 오른쪽, 위쪽 그래프에 평균과 중앙값을 모두 그래프로 표시했는데 보시다시피 두 값은 비슷한 방식으로 작동합니다.
	이는 중앙값이 좀 더 견고할 것이라고 생각하기 때문에 놀라운 일이지만 이 상황에서는 실제로 도움이 되지 않습니다.
	그리고 그 아래에는 변동 측정값이 있는데, 더 높은 한계를 적용할수록 측정값이 작아지는 것을 볼 수 있습니다.
	그럼 우리 정말 잘하고 있는 것 같죠? 내 평균 측정에 대한 자신감이 정말 커지고 있습니다.
	꽤 작지만 사실 저는 실제 인구 가치에서 점점 더 멀어지고 있고, 멀어질수록 자신감도 더 커지고 있습니다.
	따라서 실제로 무슨 일이 일어나고 있는지 감지할 수 없을 수도 있고 사물에 대해 잘못된 확신을 갖게 될 수도 있다는 점은 정말 우려되는 부분입니다.
	따라서 탐지 한계를 설계된 실험으로 확장하면
	잠시 후에 데모에서 보게 될 것은 중요한 요소를 찾지 못할 것이며 요소 간의 진정한 관계도 발견하지 못할 것이라는 점입니다.
	JMP에서 이것을 보여드리기 전에 저는 문헌을 자세히 살펴보고 실제 증거를 찾으려고 노력했는데, 거기에서 견고성이 부족하다고 생각했습니다.
	설계된 제품의 검출 한계와 관련이 있습니다. 그리고 제가 한 일은 코로나19 진단 테스트와 내부적으로 좋은 비교가 가능하다는 사실을 발견한 것입니다.
	그래서 2020년 초,
	FDA가 긴급 사용을 승인한 테스트는 20개 이상이었습니다.
	그리고 그것들은 모두 실시간 PCR 테스트이고 바이러스 양을 테스트하는 것이므로 바이러스 게놈의 복사본이 몇 개나 있는지 확인하는 것입니다.
	이제 처음에는 표준이 없었기 때문에 – 이전에 본 적이 없는 아주 새로운 것이기 때문에 – 회사는 자체 내부 표준을 개발하고 사용할 수 있었습니다.
	이제 연말에 FDA는 자체 표준을 만들어 이를 공개하고 진단 테스트를 재평가했습니다. 따라서 서로 다른 표준을 사용하여 동일한 테스트의 서로 다른 두 시점을 비교할 수 있습니다.
	그래서 제가 하기로 결정한 것은 테스트의 순위 순서를 정하는 것이었습니다. 좋은 시험과 나쁜 시험이 무엇인지 어떻게 알 수 있나요? 이것들의 순위를 어떻게 매길까요?
	글쎄, 우리는 다시 바이러스가 만드는 게놈 복사본의 수인 바이러스 부하 사이의 분석적 관계를 살펴볼 수 있습니다.
	진단 테스트의 임상적 민감도. 여기 X축에는 밀리리터당 게놈 복사본이 몇 개인지, 즉 바이러스 부하가 표시됩니다.
	그리고 더 작은 것은 가벼운 경우를 감지합니다. 그리고 여기 오른쪽 끝으로 가면 정말 심하게 감염된 개인, 즉 슈퍼 전파자만 탐지할 것입니다.
	그리고 여기서 y축은 감지된 사례의 비율입니다. 그리고 다시 말하지만, 이것은 실제 증거입니다. 따라서 이 검은 선으로 볼 수 있는 것은 얼마나 좋은지에 대한 임상적 민감도 관계가 있다는 것입니다.
	미안해요, 얼마나 작은지
	우리가 감지할 수 있는 바이러스량. 따라서 더 작은 바이러스 양을 감지하는 것이 좋으며 이것이 순위 순서에 사용되는 것입니다.
	그래서 저는 4월 2일과 9월 15일이라는 두 개의 서로 다른 시점을 갖고 각 시점에 대해 각 표준을 기반으로 검출 한계의 순위를 매겼습니다.
	따라서 진단 테스트가 강력한 방식으로 수행된다면 우리는 거의 동일한 순위와 유사한 탐지 한계를 기대할 수 있습니다.
	이러한 테스트의 설계 방식에 견고성이 부족하다면 실제로 순위 순서가 변경되고 탐지 한계가 다양해질 것으로 예상할 수 있습니다.
	그래서 내가 무엇을 찾았나요?
	그래서 여기에 제가 찾은 데이터를 그래프로 표시했습니다.
	여기 내 그래프에 패널이 있습니다.
	그리고 각 패널 내에서 서로 다른 두 날짜에 동일한 진단 테스트를 연결합니다. 예를 들어 왼쪽 보라색 선은
	4월 2일부터 9월 15일까지 순위가 올랐는데, 이번 진단검사는 원래 16위에서 1위까지 올라갔다.
	그리고 또한 저는 탐지의 최종 한계를 그래프로 그렸습니다. 따라서 4월 2일의 초기 값을 그래프로 표시했다면 다른 패널에서 이 값이 훨씬 더 나빴을 것이므로 이것이 최종 값입니다.
	따라서 이 테스트는 훨씬 더 좋아졌습니다. 우리가 보는 것은 극적으로 증가된 탐지 능력을 극적으로 향상시키는 몇 가지 다른 테스트가 있다는 것입니다.
	검출 한계와 점점 더 작은 바이러스 양을 검출하는 능력.
	하지만 우리는 훨씬 더 악화된 테스트도 볼 수 있으며 다시 한 번 몇 자릿수만큼 변화하고 있습니다. 예를 들어 여기 맨 아래 빨간색으로 표시된 것은 4월 2일에 세 번째로 좋은 테스트였지만 그 당시에는 14위까지 떨어졌습니다.
	따라서 이것이 보여주는 것은 일반적으로 견고성이 부족하고 이러한 작업이 처음에 만들어진 방법이라는 것입니다.
	이 테스트가 어떻게 만들어졌는지 모르겠습니다.
	그들이 JMP와 설계된 실험 및 탐지 한계를 사용했는지는 모르겠지만 이러한 종류의 기술을 적용하면 확실히 탐지 한계를 사용하는 모든 것을 훨씬 더 강력하게 만들 수 있다고 생각합니다.
	그럼 이제 JMP를 살펴보겠습니다.
	그렇다면 탐지 한계를 어떻게 설정합니까?
	뭐, 커스텀 디자이너에서 직접 하셔도 됩니다. 이제 실제로 탐지 한계를 입력할 수 있는 상자가 생겼습니다.
	출력 테이블의 사용자 지정 디자이너에서 이 작업을 수행하면 감지 제한이 포함된 열 속성이 생성됩니다.
	이것을 일반화 회귀로 분석하면 일반화 회귀는 다음을 처리합니다.
	이러한 탐지 한계를 사용하고 해당 탐지 한계 외부의 변수를 검열된 값으로 처리합니다.
	JMP에서 이를 수행하는 방법을 보여드리겠습니다.
	이것이 제가 실험 계획에서 설정한 데이터 테이블의 모습입니다. 그래서 제가 여기까지 온 방법은 맞춤형 디자이너인 DOE에 갔던 것입니다.
	여기에서 각 응답에 대한 탐지 한계를 입력할 수 있습니다.
	제가 타이핑하는 모습을 지켜보는 것은 지루하므로 이 특정 데이터 테이블에 대해 제가 이미 어떻게 설정했는지 보여드리겠습니다.
	그리고 여기에 몇 가지 답변이 있습니다.
	그리고 다양한 종류의 감지 한계가 있으므로 몇 가지 응답에 대해 상한 및 하한 감지 한계가 모두 있습니다. 한쪽 방향으로 한쪽만 가질 수 있습니다.
	여기에는 낮은 검출 한계가 있고 여기에는 높은 검출 한계가 있습니다.
	그리고 탐지 한계가 없다면 그냥 비워둘 수도 있습니다.
	그리고 우리가 보면.
	데이터 테이블에서 우리가 볼 수 있는 것은 실제로 이것을 탐지 한계로 볼 수 있다는 것입니다.
	하지만 저는 이 모든 것을 선택할 수 있습니다.
	스크롤하여 탐지 한계가 어떤지 보여줍니다. 따라서 이는 열 속성의 다른 항목일 뿐입니다. 여기 내 위쪽과 아래쪽이 있습니다.
	그리고 다시, 나는 위쪽과 아래쪽을 가지고 있습니다.
	이번 건은 내 하한선이고, 다음 건 내 상한선이에요.
	이제 점도에는 전혀 항목이 없으므로 다시 돌아가서 이를 수동으로 추가하고 싶거나 분석을 위해 검출 한계를 사용하고 있지만 설계 실험에서 설정하지 않은 경우
	간단히 열 속성으로 이동하면 목록에 표시됩니다. 따라서 이는 모두 설계된 실험에 적용되는 열 속성입니다.
	탐지 한계를 추가한 다음 원하는 값을 입력하면 됩니다. 즉, 1300이라고 할 수 있습니다.
	그리고
	일방적인 한계에 대해.
	그리고 그것을 추가하면 거기에 있을 것입니다.
	이것이 탐지 한계를 얻는 방법입니다.
	데이터 테이블 및 열 열 속성.
	자, 이제 검출 한계가 있는 데이터를 분석하는 방법에 대해 이야기해 보겠습니다.
	그래서 이를 위해 맞춤형 디자이너와 함께 설정한 실험을 분석하고 싶습니다. 이 실험의 목표는 물 샘플에서 농약 결정을 최적화하는 것이었습니다.
	이는 3요인 실험이고 32번의 실행이 있었고 I 최적 설계가 있었습니다.
	그 중 9개는 검출 한계인 1% 미만이었습니다.
	그럼 JMP에서 데이터를 분석하는 방법을 알려드리겠습니다.
	그러나 나는 또한 이 추가적인 비교를 하고 싶습니다. 그렇다면 감지 한계를 사용하지 않았거나 감지 한계가 없다면 어떻게 될까요?
	글쎄, 내 제한된 감지는 1%이고 실제 값이 무엇인지에 대해 다시 한번 확신할 수 없으므로 한 가지 경우에 대해 0을 취할 수 있을 것 같습니다.
	따라서 물 샘플에는 살충제가 전혀 없다는 것이 아닙니다. 또는 검출 한계에 맞다고 말하고 1의 값을 사용할 수 있습니다. 이것이 두 가지 대체 시나리오입니다. 그리고 여러분이 보게 될 것은 탐지 한계를 사용하지 않으면
	우리는 모든 요소를 찾을 수 없을 것이며 실제로는 결과가 매우 오해의 소지가 있고 부정확할 것입니다.
	그럼 JMP에서 이 작업을 수행하는 방법을 보여드리겠습니다.
	그래서 이것이 내 것입니다.
	디자인은 다음과 같습니다. Metacrate를 응답으로 사용하고 여기에 탐지 상한선과 하한선이 있습니다.
	내 세 가지 요소는 다음과 같습니다.
	방금 응답 표면을 만들었습니다.
	디자인해서 각자의
	요인, 그리고 2차 및 양방향 상호작용을 거쳐 결국 32런 설계를 하게 되었습니다.
	데이터는 다음과 같습니다.
	다시 한 번 말씀드리지만, 이는 제 실험 계획의 결과입니다.
	0이므로 내 기계에서는 아무것도 감지하지 못했다고 말하지만 실제 사례는 검열되었으며 실험 설계 설정에서 감지 한계가 여기에 있습니다.
	그리고 우리는 이것을 일반화 회귀분석으로 분석할 것입니다.
	이는 정규 최소 제곱에서 탐지의 한계를 가지거나 그렇지 않습니다. 그래서 이 스크립트를 실행할 수는 있지만 실제로 이것을 어떻게 설정했는지 보여드리고 싶습니다.
	따라서 Metacrate가 결과 변수이고 일반화된 회귀를 사용하겠습니다.
	그리고 여기서 정규분포는 데이터에 맞는 괜찮은 분포이지만 결과적으로 음수 예측 값이 나오고 제가 가지고 있는 농약의 양에 대해 음수 값 같은 것은 없습니다.
	따라서 이를 긍정적으로 유지하기 위해 실제로 이를 로그 정규로 변경하여 모든 예측 값이 양수가 되도록 하겠습니다.
	검열을 위해 아무 것도 입력할 필요가 없습니다. 여기에 옵션이 있지만 JMP가 자동으로 이를 처리합니다.
	실험 설계 분석을 수행하고 회귀를 일반화할 때 전진 선택이 좋은 선택입니다. 이는 단계적 회귀 또는 친숙할 수 있는 단계적 회귀를 수행하는 것과 매우 유사합니다.
	핏 모델 플랫폼에서.
	따라서 내 모델 요약에서 볼 수 있는 것은 감지 한계가 있다는 것을 상기시켜준다는 것입니다.
	그리고 내 RSquare는 0.91이므로 정말 적합합니다.
	여기서 무슨 일이 일어나고 있는지 자세히 살펴보면,
	솔루션 경로에 익숙하지 않고 회귀를 일반화하는 경우 보고 있는 것은 매개변수가 모델에 입력된 방식이므로 다시 전방향 선택입니다.
	그런 다음 효과의 크기에 따라 크기가 조정되므로 첫 번째로 들어간 것은 디클로로메탄이고 결과에 긍정적인 영향을 미칩니다.
	하지만 그 다음에는 이차식이 나왔고 음수를 가지게 되었습니다.
	부정적인 효과, 즉 말 그대로 부정적인 추정치입니다.
	따라서 이것은 보고 상호 작용하는 것이 재미있으며, 전반적으로 최소 AIC 점수를 기반으로 한 최고의 모델에는 5단계가 있습니다.
	이제 예측 프로파일러를 사용하여 방정식을 시각화하고 싶습니다.
	잠시 동안 이것을 단순화하고 조금 더 크게 만들겠습니다.
	예측 프로파일러가 보여주는 것은 결과 변수인 Metacrate이고 여기서는 y축이며 각 사각형은 실험의 요소 중 하나입니다.
	그리고 우리가 보고 있는 것은 방정식, 즉 관계입니다.
	그래픽적으로. 따라서 디클로랄메탄을 변경할 때 이것을 변경하면 다른 요소의 모양도 변경되기 때문에 상호 작용을 볼 수 있으며 이러한 매개변수에 많은 곡률이 진행되는 것을 확실히 볼 수 있습니다.
	또한 내 실제 예측도 있습니다.
	음모가 있고 실제로 꽤 좋아 보입니다.
	그래서 제가 하고 싶은 것은 제가 검출할 수 있는 메타크레이트의 양을 최대화하고 싶어서 실험을 한 것입니다. 그래서 JMP에게 최대 레벨을 찾아달라고 요청하겠습니다.
	그리고 제가 발견한 것은 제가 감지할 수 있는 최대 메타크라테의 양이 38.6이라는 것입니다.
	그리고 그것은 이러한 요인 설정을 위한 것이므로 제 물 샘플은 이 양의 메탄올과 이 양의 디클로로메탄에 대해 6 미만입니다.
	이것이 제 실험의 결과입니다. 저는 돌아가서 실제로 이것을 테스트하고 이것이 작동하는지 확인하고 싶습니다.
	이제 탐지 한계를 무시하고 다른 것을 시도하면 어떻게 될까요?
	여기에는 똑같은 데이터가 있습니다.
	0이 있는 Metacrate를 사용하여 내가 한 일은 몇 개의 열을 추가한 것입니다. 그리고 한 열은 실제로 하한에 있을 수도 있고 오른쪽에 있을 수도 있으므로 0 대신 이 값을 1로 변경했습니다.
	그리고 대안으로, 그 샘플에 발견할 것이 아무것도 없다면 어떨까요? 그리고 그 값은 0이 될 것입니다. 이 경우에는 로그 정규식이므로 0을 사용할 수 없습니다. , 매우 작은 값
	그러니까 10 곱하기 -12 가 맞으니 .00000000001 점은 0의 개수가 맞다고 생각하세요.
	따라서 이 두 가지 조건으로 데이터를 분석해 보겠습니다. 다시 한번 탐지 한계를 사용하지 않겠습니다.
	따라서 Metacrate 대신 첫 번째 항목을 입력하겠습니다. 여기서는 모든 값을 감지 하한값에 맞게 재설정하도록 하겠습니다.
	우리는 순방향 선택을 할 것입니다.
	따라서 없습니다. 내 RSquare가 0.7 바로 아래에 있기 전처럼 여기에서는 감지 제한이 없다는 것을 알 수 있습니다.
	하지만 내 솔루션 경로와 매개변수 추정 테이블을 모두 보면 알 수 있습니다.
	세 단계만 남았습니다. 모델링을 향한 앞으로의 단계인데 많은 것을 선택하지 않았습니다. 여기에는 공백이 많이 있습니다. 제 사진을 보면
	여기 프로파일러의 방정식을 보면 제가 실제로 요인 중 하나가 누락된 것을 볼 수 있습니다. 여기 있는 것과 비교할 수 있습니다. 저는 메탄올을 완전히 놓쳤습니다.
	그리고 내가 최대화하면
	내가 찾을 수 있는 가장 많은 양의 메타크라테트를 찾으려면 약 16개에 불과합니다.
	그리고 내 실제 예측 플롯은 그다지 좋아 보이지 않으며 그다지 행복해 보이지 않습니다.
	이것이 바로 하나의 상황입니다. 그래서 우리는 단지 우리가 그것을 선택하지 않은 요소 중 하나를 완전히 놓쳤습니다.
	그런 다음 다른 상황을 살펴보겠습니다. 만약 하나 대신에 거의 0이라면 어떨까요?
	완전히 0은 아니지만 매우 가깝습니다.
	앞으로 선택.
	여기서도 감지 한계를 사용하지 않지만 내 RSquared는 0.997입니다.
	그래서 정말 잘 맞는 것 같아요.
	하지만 여기에는 여전히 이상한 일이 일어나고 있습니다. 내 모델에는 세 단계만 있습니다. 실제로는 전혀 찾지 못했습니다.
	내 디클로로메탄과 나는 간신히 샘플량을 수집했습니다.
	예측 예측 프로파일러를 보면.
	이번에도 메탄올이 빠졌기 때문에 실제 예측 플롯이 그렇게 보이는데 요인 중 하나가 없습니다. 그러나 지구상에서 내 곡선의 상단이 되는 곳에서 도대체 무슨 일이 벌어지고 있는 걸까요?
	이 적응형 Y축을 켜서 모든 것을 볼 수 있도록 하겠습니다.
	그리고 여기에는 수백 단위의 예측 값이 있습니다. 만약 제가 그냥
	그렇지 않습니다. 만족도 최대화를 실행할 수 있지만 수동으로 무언가를 선택하려고 해도 470이 넘는 것을 볼 수 있습니다. 이제 기억하세요.
	내 탐지 한계는 99였으므로 이러한 값은 의미가 없습니다.
	그리고
	한 가지 요소를 놓쳤습니다. 말이 안 됩니다. 하지만 제가 이 예를 보여주고 싶은 이유 중 하나는 고객에게서 이런 것을 본 적이 있다는 것입니다.
	저는 그들에게 무슨 일이 일어나고 있는지 설명할 수 없었기 때문에 사람들이 탐지 한계를 사용하지 않으면 이런 일이 실제로 일어난다는 것을 압니다.
	분석에서 데이터를 처리하는 방법에 대한 결정을 내렸기 때문에 매우 이상한 결과가 나타납니다. 데이터를 1 또는 0으로 처리했습니다.
	이 경우, 이것들은 두 가지 대안 시나리오이지만, 이 농약을 탐지하는 실제 능력이 물에서 무엇인지에 대한 실제 현실과 내 설계 실험의 결과와는 거리가 멀습니다.
	그래서.
	제가 모든 사람에게 꼭 전달하고 싶은 핵심 내용은 첫 번째로 탐지 한계가 매우 중요하다는 것입니다.
	그리고 이를 무시해서는 안 되며, 높은 값이나 낮은 값으로 대체하면 안 됩니다.
	이러한 불확실성을 실제 분석에 통합해야 합니다. JMP를 사용하면 이를 매우 쉽게 수행할 수 있습니다. 실험 플랫폼 설계에서 수행할 수 있으며 열 속성에서 수행할 수도 있습니다.
	그런 다음 일반화된 회귀를 사용하여 탐지 한계를 통합하는 분석을 수행하면 최상의 모델이 제공되고 요인과 요인 간의 실제 관계를 찾을 수 있습니다.
	마지막으로 JMP에서는 사람들이 데이터를 다시 분석하여 이상한 결과를 볼 수 있도록 독려하고 있습니다.
	그럴 수도 있으니, 어떤 종류의 분석 방법을 기반으로 탐지 한계가 언제 있는지 알아야 합니다.
	그리고 우리는 사람들이 그 데이터를 다시 분석하고 실험 계획에서 탐지 한계를 사용해야 한다고 생각합니다. 그러면 훨씬 더 빠르고 훨씬 더 정확하게 가고자 하는 목표를 달성할 수 있을 것입니다.
	제 강연을 들어주셔서 정말 감사드리며, 질문이 있거나 후속 조치가 마음에 드시면 언제든지 연락해 주세요.

브레이크아웃암사슴통계 및 모델링