Bonjour et accueillir à notre présentation, Approches à Comparaisons avec JMP® 17. Mon nom est Marque Bailey. Je suis un senior Analytique Logiciel Testeur, et mon co- présentateur aujourd'hui est Jianfeng Ding, un Senior Recherche Statisticien Développeur. Avant nous obtenir dans le nouveau caractéristiques, étaient en allant à prendre un moment à faire bien sûr que tout le monde a le approprié arrière-plan à apprécier ces nouveau méthodes.
Ce a à faire avec en utilisant statistique inférence quand étaient en essayant à comparer deux populations. Ce est un très commun tâche, et le comparaison généralement conduit à un décision entre deux idées à propos ces populations. Si nous pourrait observer le populations dans leur intégralité, nous ne le ferais-je pas besoin statistiques, mais c'est pas généralement le cas. Alors on avoir à travail avec échantillons depuis le populations.Statistique inférence peut fournir quelques vraiment précieux information à propos ceux des échantillons.
Dans particulier, est là suffisant preuve à rejeter un idée à propos le deux populations? Donc un clair déclaration de ces idées ou hypothèses est essentiel à fabrication le correct choix pour le test et aussi pour le correct interprétation. Donc allons parler un petit peu à propos le idées ou hypothèses que sont partie de ces statistique essais. Le alternative et nul hypothèses, comme ils sont connu, représenter mutuellement exclusif déclarations à propos ces populations, et Non autre hypothèse est possible.
Pour exemple, un déclaration pourrait être pour population UN et population B que leur moyens sont égal. Le autre idée est que ils sont pas égal. Ceux deux idées ou hypothèses sont mutuellement exclusif et Non autre hypothèse est possible. Qu'est-ce que c'est le rôle de ces deux des idées ? Le alternative hypothèse États le conclusion que nous serait comme à réclamer. Il représente le populations et il volonté exiger suffisant preuve dans le données à renverser le autre hypothèse.
Le autre un est appelé le nul hypothèse. Il États le opposé conclusion que doit être surmonter par fort preuve. Il sert comme un référence pour ce comparaison. C'est assumé à être vrai. Maintenant, actuellement, il y a quelque peu de un malentendu dans hypothèse essai dans que il seulement pense à propos comparaison dans un direction. C'est parce que historiquement, ce est le chemin il était présenté dans entraînement.
Que la plupart souvent enseigné test est utilisé à démontrer que il y a un différence entre deux populations. Le résultant manque de compréhension peut plomb à un abuser de ces essais. À être clair, le choix de le test est pas un matière de quoi données est collecté ou comment le données est collectés. C'est entièrement à propos le déclaré hypothèses pour le but de ton comparaison.Allons regarder à ces deux possibilités.Allons dire que le but de notre comparaison est à démontrer un différence.
Nous vouloir à explicitement État ces idées à faire bien sûr le test est clair. Dans le d'abord exemple, je vouloir à démontrer que un température changement causes un nouveau résultat. Que est, là est un différence. Épouser comme à réclamer que le nouveau niveau de le réponse volonté résultat depuis un changement dans le processus température. Peut-être nous attendre un plus haut rendement ou épouser comme à montrer plus la stabilité.UN conception expérience est utilisé à au hasard échantillon depuis le population pour un faible- température condition et depuis un population de un haut- température condition.
Le deux hypothèses pour ce test, le nul hypothèse États que le température fait pas affecter le résultat. Souviens-toi, c'est notre référence et nous supposer il à être vrai. Le alternative hypothèse est notre idée. Température affecte le résultat, mais nous peut décider ce seulement si le preuve est fort assez à rejeter le nul hypothèse. Maintenant, allons changement que. Allons inverse que. Allons dire que dans ce comparaison, je vouloir à démontrer équivalence. Dans le deuxième exemple, je vouloir à montrer que un température changement fait pas cause un changement dans le résultat.
Que est, le résultat, soit chemin, est équivalent. Nous vouloir à réclamer que un prévu changement dans le processus température volonté améliorer le rendement mais pas affecter le niveau de un impureté de le produit. Nous conception le même expérience, collecter le même des échantillons, mais maintenant notre hypothèses sont commuté. Le nul hypothèse est que le température affecte le résultat. C'est notre nouveau référence, nous toujours supposer il à être vrai, alors que le alternative hypothèse États que le température fait pas affecter le résultat, le impureté niveau.
Mais nous peut faire que réclamer seulement si le preuve est fort assez à rejeter le nul. Alors faites je test pour un différence ou pour équivalence? Le clé est comment toi État ton hypothèses. Ces deux exemples, je pense toi peut voir, utiliser identique données mais différent essais. Le choix de le test est pas à propos le données. C'est à propos le réclamer que nous vouloir à faire et comment nous État que correctement dans le hypothèse. Souviens-toi que statistique essais sont unidirectionnel. Que est, nous peut rejeter un nul ou pas. Si le test est à rejeter un nul hypothèse avec un haut probabilité quand c'est FAUX.
Maintenant, allons obtenir à le nouveau caractéristiques dans JMP® 17. Jianfeng volonté maintenant présent le équivalence des tests, et quand elle est fini, Je vais présent méthode comparaison.
Maintenant, Je suis en allant à partager mon écran. Bonjour, mon nom est Jianfeng Ding. Je suis un Recherche Statistique Développeur à JMP® 17. Dans ce vidéo, Je suis en allant à parler à propos le Équivalence, Non-infériorité, et Supériorité Test dans JMP® 17. Le basique hypothèse test sur le gauche est un test que la plupart qualité professionnels sont familier avec. Il est souvent utilisé à comparer deux ou plus groupes de données à déterminer si ils sont statistiquement différent.
Le paramètre thêta peut être un signifier réponse pour continu résultat et un proportion quand le résultat variable est binaire. Thêta T représente réponse depuis traitement groupe et thêta zéro représente le réponse depuis un contrôle groupe. Là sont trois les types de le basique hypothèse test. Le d'abord un est recto-verso test et le repos sont un- face essais. Si toi regarder à le recto-verso test sur le gauche, le Non hypothèse est que le traitement moyens sont même et le alternative hypothèse est que le traitement moyens sont différent.
Parfois nous vraiment besoin à établir que des choses sont substantiellement le même, et le machinerie à faire que est appelé un équivalence test. Un équivalent test est à montrer le différence dans thêta T, thêta zéro est dans un pré- spécifié marge delta et permettre nous à conclure équivalence avec un spécifié confiance niveau.Si toi regarder à le équivalence test, le Non hypothèse est que le traitement moyens sont différent et le alternative hypothèse est que le traitement moyens sont dans un fixé delta de un un autre.
Ce est différent depuis le deux- face hypothèse test sur le gauche. Un autre alternative essai scénario est le non-infériorité test lequel objectifs à démontrer que résultats sont pas substantiellement pire. Là est aussi un essai scénario appelé supériorité essai que est similaire à non-infériorité essai, sauf que le but est à démontrer que résultats sont substantiellement mieux. Là sont cinq différent les types de équivalence taper essais. Dépendre sur le situation. Quand devrait nous utiliser ce test? Volonté être discuté suivant.
Ces essais sont très important dans industrie, en particulier dans le biotechnologies et pharmaceutique industrie. Ici sont quelques exemples. Si le but est à montrer que le nouveau traitement fait pas différer significativement depuis le standard par plus que quelques petit marge, alors équivalence test devrait être utilisé. Pour exemple, un générique médicament que est moins cher et cause peu côté effets que un populaire nom- marque médicament. Toi serait comme à prouver il a même efficacité comme le nom- de marque un. Le typique but dans non-infériorité essai est à conclure que un nouveau traitement processus ou produit est pas significativement pire que le standard un.
Pour exemple, un nouveau fabrication le processus est plus rapide. Toi serait faire bien sûr il crée Non plus produit défauts que le standard processus. UN supériorité test essayer à prouver que le nouveau traitement est nettement mieux que le standard un. Pour exemple, un nouveau engrais a a été développé avec plusieurs améliorations. Le des chercheurs vouloir à montrer que le nouveau engrais est mieux que le actuel engrais. Comment à ensemble en haut le hypothèse? Le graphique sur le gauche résume cinq différent taper de équivalence taper essais très bien.
Ce graphique est créé par notre SAS/STAT® collègues, John Castelloë, et Donna Watts. Toi peut trouver leur blanc papier sur ce sur le la toile. Choisir lequel test dépendre sur le situation. Pour chaque de ce situation, le région que nous sont en essayant à établir avec le test est montré dans bleu. Pour équivalence analyse, toi peut construction un équivalence région avec supérieur lié thêta zéro plus delta et inférieur lié thêta zéro moins delta. Toi peut conduire un équivalence test par vérification si le confiance intervalle de thêta mensonges dans entièrement dans le bleu équivalence région.
De même, toi peut conduire un non-infériorité test par vérification si le confiance intervalle de thêta mensonges entièrement au-dessus de le inférieur lié si plus grand thêta est mieux ou ci-dessous le supérieur lié si plus petit thêta est mieux.Ces essais sont disponible dans JMP® 17 pouces un chemin pour comparant normale moyens et dans contingence pour comparant réponse les taux. Le graphique utilisateur interface de équivalence test lancement dialogues fait du il facile pour toi à trouver le taper de test que correspondre quoi toi sont en essayant à établir.
UN forêt parcelle dans le rapport résumer le comparaison très bien et fait du il facile pour toi à interpréter le résultats.Suivant, Je suis en allant à faire un démo à propos équivalent test, supériorité test, et non-infériorité essais. Je suis en allant à utiliser un données ensemble appelé le Médicament La mesure que est dans le JMP échantillon données bibliothèque. Douze différent sujets étaient donné trois différent drogues UN, B, et C, et continu la mesure étaient fait. je d'abord lancé Ajuster Oui par X et mettre le la mesure comme Oui et médicament taper comme X facteur.
Ce volonté apporter le un- chemin analyse. Sous le rouge Triangle menu, allons d'abord trouver équivalent test et là sont le deux options, moyens, et standard déviations. Étaient en allant à se concentrer sur moyens pour ce exemple. Ce volonté apporter le équivalence lancement dialogue. Dans ce section, toi peut choisir lequel test toi serait comme à conduire, et le graphique représente le choix de le choisi test.Pour supériorité et non-infériorité test, là sont deux scénarios.
Un est grand différence est mieux. Un autre est petit différence est mieux. Choisir lequel un dépendre sur le situation. Toi besoin à spécifier le delta ou le marge pour le test. Toi aussi besoin à spécifier le confiance niveau alpha pour le test. Toi peut soit choisir le Regroupé Variance ou Inégalé variance à courir le test. Pour ce exemple, nous courir le équivalent test d'abord et nous spécifier trois comme un différence. Nous sont en allant à faire le équivalent test pour tous le paires. Cliquez sur d'accord et il volonté apporter le équivalent test résultat.
Sur le haut, il est le statistique détail pour le équivalence test, et le bas c'est un forêt parcelle. Toi avis là sont deux Régions. Le bleu région sont le équivalence région et le rouge sont le non- équivalence région. Le lignes ici représenter le confiance intervalle de le signifier différence entre deux groupes. Si nous regarder à ce doubler, ce est le confiance intervalle de le signifier différence entre médicament UN et C, et toi voir ce doubler est complètement contenu à l'intérieur ce bleu région. Nous regarder à le P. valeur de le équivalence test que est 0,02 lequel est plus petit que 0,05. Alors à ce 5 % importance niveau, nous peut déclarer que médicament UN et C sont équivalent.
Mais quand toi regarder à le confiance intervalle de un signifier différence entre médicament UN et B, et médicament B et C, ils sont doublé au-delà ce bleu région. Alors on conclure à le 5 % importance niveau médicament UN et B, et médicament B et C, nous ne peut pas conclure ils sont équivalent. Suivant, si nous supposer médicament C est un standard médicament et toi serait comme à trouver dehors si médicament UN et B sont mieux que médicament C, que faire nous vouloir à faire un supériorité test. Laisser moi fermer ce contour note pour maintenant et nous lancement le équivalent test encore et nous Cliquez sur Moyens.
Ce temps étaient en allant à courir supériorité test. Nous Cliquez sur le supériorité test et nous préférer grand différence et nous spécifier 0,4 comme notre marge. Ce temps nous besoin à ensemble médicament C comme notre contrôle groupe et Cliquez sur D'ACCORD. Ce volonté apporter le supériorité test. Depuis ce forêt parcelle toi peut voir le confiance intervalle de un signifier différence entre médicament B et C est complètement contenu à l'intérieur ce bleu région. Donc nous conclure que à le 5 % confiance niveau, nous peut déclarer que le B est supérieur à médicament C. Mais nous ne peut pas faire un même conclusion à médicament UN et C.Ce conclut mon d'abord exemple.
Le suivant exemple volonté montrer comment à mener une non-infériorité test pour le relatif risque entre deux proportions. Laisser moi ouvrir le données tableau. UN randomisé procès est à comparer médicament FIDAX comme un alternative à médicament VENCO pour le traitement de côlon infections. Le deux drogues avoir similaire efficacité et sécurité. Deux cent vingt- un dehors de 225 les patients traité avec FIDAX atteint clinique Q par le fin de le étude, par rapport à 223 sorties de 257 les patients traité avec VENCO.
Nous lancement Ajuster Oui par X encore et nous prise dans Q comme Oui et médicament comme X facteur et compte comme un fréquence et Cliquez sur D'ACCORD. Volonté apporter le contingence analyse. Depuis le Probabilité Rapport essai, Pearson test, et Le pêcheur Exactement test, ils tous indiquer que là est Non grand différence entre ces deux drogues. Mais nous serait comme à trouver dehors si médicament FIDAX est pas inférieur à médicament VENCO. Nous aller à le en haut rouge Triangle et apporter le équivalent test. Là sont deux choix. Un est le risque différence et un est relatif risque. Pour ce exemple, nous choisir relatif risque.
Encore, apporter ce équivalent test lancement dialogue. Pour ce exemple, étaient en allant à courir non-infériorité test. UN gagner, nous préférer grand ratios. Nous spécifier 0,9 comme notre marge et nous se soucier à propos le traitement effet. Donc nous devrait choisir Oui et alors nous Cliquez sur D'ACCORD. Donc ce apporter le non-infériorité test. Depuis le forêt parcelle, nous peut voir le confiance intervalle de le relatif risque est complètement contenu dans ce bleu région, et le P. valeur pour le non-infériorité test est très petit. Donc nous conclure à le 5 % significatif niveau, le médicament FIDAX est pas inférieur à médicament VENCO. Ce conclut mon parler et je volonté donner dos à Marque. je besoin à arrete ca partager.
Remercier toi, Jianfeng. Maintenant dans le dernier partie de notre présentation, Je suis en allant à parler à propos un autre comparaison où nous vouloir à comparer le résultats ou des mesures depuis deux différent méthodes de mesure quelques quantité. Nous supposer que il y a un standard méthode que déjà existe. Il a a été validé. Nous peut utiliser il à mesure le niveau de quelques quantité. Que pourrait être le température ou le puissance de un médicament. Mais pour quelques raison, nous avons développé un nouveau méthode pour le même résultat.
Nous doit comparer c'est performance à le standard méthode avant nous utiliser il. Ce est un long debout problème. Ce comparaison a a été codifié pour un long temps par nombreux international organisations. j'ai répertorié un peu de eux sur ce glisser. Donc ce est un très Bien étudié et un établi comparaison. Dans ce cas, étaient en allant à comparer à identité. Étaient en allant à comparer ces deux méthodes où idéalement le test méthode serait donner nous le même valeur comme le standard méthode. Alors on parcelle le données en utilisant un nuage de points. Nous avoir le test méthode sur le verticale axe et le standard méthode résultat sur le horizontal axe.Nous peut même parcelle le identité doubler où Oui équivaut à X pour référence.
Idéalement, nous serait obtenir le résultat depuis les deux méthodes, mais que ne le fera pas arriver parce que de la mesure erreur dans les deux méthodes. Bien utiliser régression analyse à déterminer le meilleur ajuster pour ce doubler où nous avoir le test méthode contre le standard méthode. Alors le estimé paramètres pour notre modèle peut être par rapport à le identité doubler. Le nul hypothèse, nous commencer avec le idée que ils sont pas le même. Donc le intercepter de ce doubler est pas zéro ou le pente est pas un ou peut-être les deux. Dans autre mots, le résultats sont pas équivalent.
Le alternative, lequel nous serait comme à réclamer est que ils sont équivalent. Donc là nous État que le intercepter devrait être zéro et le pente devrait être un. À faire ce comparaison en utilisant régression, nous avoir à postulat un modèle. Dans ce cas, c'est un simple linéaire régression modèle. Nous avoir un constante terme UN, un proportionnel terme B fois X. Étaient en allant à estimation ceux paramètres UN et Groupe utiliser notre hypothèses à décider. Nous aussi avoir un terme epsilon, et que représente le la mesure erreur, le aléatoire variation. En utilisant linéaire régression, nous supposer que le Oui et le X sont linéairement en rapport.
Nous supposer que le statistique les erreurs que épsilon sont dans Oui, pas dans X. Nous aussi supposer que ceux les erreurs sont distribué dans un chemin que sont indépendant de le réponse. Dans autre mots, le statistique erreur est le même à travers le entier gamme de ce méthode. Aussi, que Non données exercer n'importe lequel excessif influence sur ces estimations. Bien, dans méthode comparaison, nous généralement violer ces hypothèses. D'abord de tous, là est la mesure erreur dans le standard méthode comme Bien.
Aussi, souvent le les erreurs sont pas constante. Que est, nous observer un constante coefficient de variation mais pas un constante standard déviation. Valeurs aberrantes sont présente que peut fortement influence le estimation. Autre régression méthodes sont requis dans tel un cas. Le Déming régression simultanément minimise le moins carré erreur dans les deux Oui et X. C'est approprié pour ce cas. Le Qui passe- Bablock régression est un non paramétrique méthode c'est basé sur le médian de tous possible par paire pentes.
C'est résistant à valeurs aberrantes et non constant les erreurs. Allons parler à propos chaque de ces brièvement. Le Déming régression est fourni dans le Bivarié plate-forme à travers le Ajuster Orthogonal Commande. Ce a a été disponible dans JMP pour beaucoup années. Le Déming régression peut estimation le les erreurs dans Oui et X, supposer que le les erreurs dans Oui et X sont égal, ou utiliser un donné rapport de Oui à X erreur.
Qui passe- Bablock régression est nouveau. JMP®17 introduit ce méthode dans le Bivarié plate-forme à travers le Ajuster Passage-Bablock commande. Ce commande aussi comprend chèques pour le hypothèses que le des mesures sont très positivement corrélé et exposition un linéaire relation. Méthode comparaison souvent comprend un comparaison par différence. Le Fade- Altman analyse compare le par paire différences comme Oui à le par paire moyens comme X à évaluer biais entre le deux valeurs.
Le résultats sont présenté dans un nuage de points de Oui contre X pour ton examen et aussi à identifier n'importe lequel anomalies. Ce se produit dans le Correspondant Paires plate-forme.Le Correspondant Paires plate-forme a a été partie de JMP pour beaucoup années comme Bien, mais le Bland-Altman test est un nouveau ajout. Le rapport aussi présente le hypothèse test. Maintenant Identifiant comme à démontrer ces deux méthodes. Comme je dit, Déming régression a a été disponible pour un long temps, mais pour l'exhaustivité' saké, Je suis en allant à démontrer il ici aux côtés de le nouveau méthodes.
je sélectionner depuis le Analyser menu, Ajuster Oui par X. Je suis en allant à comparer test Méthode 1 à mon standard méthode. Le standard méthode va dans le X rôle et le nouveau test méthode va dans le Oui rôle.Toi pourrait évaluer plus que un test méthode à le même temps. Voici mon parcelle. Initialement, je voir un dispersion parcelle. je attendre ces deux à accepter très Bien. je attendre à voir que ils suivre ce diagonale chemin, que ils sont linéaire, et donc en avant. Je vais Cliquez sur le rouge Triangle suivant à Bivarié et sélectionner Ajuster Orthogonal.
Dans ce cas, je ne le faites pas vraiment savoir que le écarts sont égal ou je ne le faites pas avoir n'importe lequel avant information que je pourrait spécifier un rapport. Alors je vais avoir JMP estimation le les erreurs dans les deux. Je vais utiliser le d'abord option ici. Maintenant nous avoir le équipé doubler en utilisant Déming régression. Ci-dessous que nous avoir le rapport. Le rapport comprend un estimation de le intercepter. Nous peut voir c'est petit et fermer à zéro. Nous avoir un estimation pour le pente.
En utilisant le confiance intervalle, nous voir que il comprend un, lequel nous serait attendre si le test méthode est d'accord avec le standard. C'est Déming régression. Maintenant, étaient en allant à prendre un regarder à le nouveau méthodes Passage-Bablock régression dans Lame- Altman. Même commencer, sélectionner Analyser, et alors sélectionner Ajuster Oui par X. Je suis en allant à utiliser le Rappel bouton ici. je vouloir à comparer Méthode 1 à le standard, mais Je suis en allant à utiliser un nouveau régression technique.
Je vais Cliquez sur sur le rouge Triangle et sélectionner Ajuster Passage-Bablock. Il y a en fait deux lignes ici. Il y a un rouge doubler que représente le meilleur- ajuster doubler en utilisant le Passage-Bablock régression. Mais il y a aussi, pour notre référence, un doubler que représente où oui équivaut à X. C'est dur à voir. Je suis en allant à utiliser le loupe outil à amplifier un peu fois. Maintenant toi peut voir que là sont, dans fait, deux séparé lignes. Un est le identité et un est le ajuster, mais ils chevaucher assez un peu. Ces sont assez similaire.
Dans le numérique rapports, d'abord je avoir un test pour le haut positif corrélation. Étaient en utilisant de Kendall Tau, et nous peut voir que il est très significatif. Nous rejeter le idée que ils sont pas fortement corrélée. Suivant, nous avoir un test de linéarité. Ici, ce test suppose que ils sont linéaire, et w avant regarder pour fort preuve contre que. Mais nous avoir un très haut P. valeur ici, donc nous faire pas rejeter le hypothèse que ils sont linéaire. Enfin, nous avoir le paramètre estimations par en utilisant Qui passe -Bablock régression, nous avoir le indiquer estimation, nous avoir le intervalle estimation.
Pour le intercepter, que intervalle comprend zéro, donc nous ne peut pas rejeter un intercepter de zéro.Nous avons le pente est contenu dans un intervalle que comprend un. De la même manière, nous ne peut pas rejeter que le pente de que doubler est égal à un. Allons dire épouser aussi comme à comparer ces deux méthodes par différence. À faire que, je Cliquez sur sur le rouge Triangle pour le choix de le Ajuster Passage-Bablock les résultats, et ici nous voir le commande Bland-Altman analyse. Il prend tous le information ici et lancements correspondre paires avec le supplémentaire information dans le Bland-Altman analyse.
Le parcelle est montrant nous sur le Oui axe le par paires différence entre le méthode un et le standard méthode, et c'est tracé contre sur le horizontal axe est le signifier de ceux deux valeurs. Le Bland-Altman analyse est utile parce que il donne nous un idée à propos le biais. Donc ici je avoir un estimation de le biais est négatif 0,113, mais nous peut voir que le intervalle estimation de le biais comprend zéro, donc nous ne peut pas rejeter le idée que le biais est égal à zéro et donc sur. Maintenant nous avoir dans JMP®17, un beaucoup plus complet ensemble de outils pour comparant différent test méthodes. Que conclut notre présentation. Remercier toi.
