Salut, mon nom est Argile Aboyeur, et Je suis un statistique développeur dans le JMP groupe.
Je suis en allant pour être en parlant à propos quelques nouveau caractéristiques dans le distribution plateforme
adapté vers en cours d'analyse limite de détection données.
C'est quelque chose je travaillé sur avec mon collègue, Laura Lancastre,
qui est aussi un statistique développeur à JMP.
Pour coup choses désactivé, quoi est un limité détection problème?
Quoi sont nous en essayant pour résoudre?
Il est basique niveau,
un limite de détection problème est quand nous ont quelques la mesure appareil
et c'est pas capable pour fournir bien des mesures dehors de quelques seuil.
C'est quoi nous appel un limite de détection problème.
F ou exemple, allons dire nous ont, étaient prise lester des mesures
et étaient en utilisant un escalader c'est pas capable pour faire des mesures dessous 1g .
Dans ce exemple, épouser dire ce nous ont un inférieur détection limite de 1
parce que nous ne peut pas mesure dessous ce.
Mais dans notre données ensemble, étaient toujours enregistrement ceux valeurs comme 1.
Parce que de ceux limites,
nous voir, nous pourrait ont un données ensemble ce regards comme ce.
Dans partie, nous ont quelques valeurs de 1 et quelques non-1 valeurs ce sont beaucoup plus gros.
Nous ne le faites pas vraiment croire ce ceux valeurs sont 1s.
Nous juste savoir ce ceux sont à la plupart 1.
Ce données arrive tous le temps dans pratique.
Si toi penser à propos parfois étaient pas capable pour mesure dessous un inférieur seuil.
Parfois étaient pas capable pour mesure au-dessus de un supérieur seuil.
Ceux sont les deux limité détection problèmes.
Quoi devrait nous faire à propos ce?
Allons regarder à un vraiment simple exemple.
je simulé quelques données ce sont normalement distribué
avec moyenne dix et écart 1 ,
et étaient imposant un inférieur détection limite de 9.
Si nous regarder à notre données ensemble ici,
nous ont quelques valeurs au-dessus de 9, et nous ont quelques 9s.
Quand nous regarder à le histogramme,
ce certainement n'a pas regarder normalement distribué
parce que nous ont un ensemble bouquet de supplémentaire 9s
et nous ne le faites pas ont quoi que ce soit dessous 9.
Quoi arrive si nous juste modèle ce données comme est?
Bien, il se tourne dehors le résultats ne sont pas ce super.
Nous obtenir un décent estimation de notre emplacement paramètre, notre Mu,
c'est vraiment fermer pour dix, qui est le vérité.
Mais nous avons vraiment sous-estimé ce escalader ou dispersion paramètre.
Nous avons estimé il pour être 0,8,
quand le vérité est ce nous généré il avec escalader égal pour 1.
Vous allez avis ce notre confiance intervalle pour ce escalader paramètre
n'a pas même couverture 1.
Il n'a pas contenir le vérité et c'est en général pas un super situation pour être dans.
Qu'est-ce que plus, si nous regarder à le… Nous adapter un poignée de distributions,
nous adapter le enregistrer normal, le gamma, et le normal,
bien le normal distribution, qui est quoi nous utiliser pour générer notre données,
il n'est pas même compétitif basé sur le AIC.
Basé sur ceux AIC valeurs,
nous serait certainement choisir un enregistrer normal distribution pour modèle notre réponse.
Nous n'ai pas fait un bien emploi Estimation notre paramètres.
Étaient pas même choisir pour utiliser le distribution
ce nous généré le données avec.
O e juste jeta tous ceux 9s dans notre données ensemble.
Nous ignoré le fait ce c'était incomplet information
et cela n'a pas travail dehors Bien.
Quoi si, plutôt de ignorer ce limite de détection,
quoi si nous juste lancer dehors tous ceux fois?
Bien, maintenant nous avons a obtenu un plus petit données ensemble et c'est biaisé.
Nous avons jeté dehors un grand tronçon de notre données sur il.
Nous ont un biaisé goûter maintenant.
Maintenant si nous adapter notre normal distribution,
maintenant étaient surestimer le emplacement paramètre,
et étaient toujours sous-estimé imiter le escalader paramètre.
Étaient en fait dans assez un mauvais position toujours,
parce que nous n'ai pas fait un bien emploi avec soit de ceux paramètres.
Étaient toujours peu probable pour prendre le normal distribution.
Basé sur le AIC, le enregistrer normal et le gamma distribution
les deux adapter assez un bit mieux que le normal distribution.
Étaient toujours dans un mauvais lieu.
Nous essayé lancement dehors le 9 s, et ce n'a pas tourner dehors Bien.
Nous essayé juste y compris eux comme 9 s.
Ce n'a pas tourner dehors Bien soit.
Quoi devrait nous faire plutôt?
Le répondre est ce nous devrait traiter
ceux observations à le limite de détection.
Nous devrait traiter ceux comme censuré observations.
Censure est un situation où
nous seul ont partiel information à propos notre réponse variable.
C'est exactement le situation étaient dans ici.
Si nous ont un observation à le inférieur détection limite, et ici j'ai dénoté il
D sub L,
nous dire ce observation est moins censuré.
Nous ne le faites pas dire ce Oui est égal pour ce limite de détection.
Nous dire ce Oui est moins que ou égal pour ce DL valeur.
Sur le retourner côté,
si nous ont un supérieur limite de détection, dénoté DU ici,
ceux observations sont droite censuré.
Parce que étaient pas en disant ce Oui est égal pour ce valeur.
Étaient juste en disant c'est à moins ce valeur.
Si tu es en regardant pour plus information à propos comment pour gérer censuré données,
un de le les références ce nous suggérer tous le temps est
Plus doux et Escobar's livre Statistique Méthodes pour Fiabilité Données.
C'est un vraiment bien aperçu pour comment toi devrait traiter censuré données.
Si vous avez utilisé quelques de le...
Si toi utiliser quelques de le caractéristiques et le survie et fiabilité menu dans JMP,
alors tu es familier avec choses comme vie distribution et adapter vie par X.
Ces sont tous plates-formes ce accommoder censure dans JMP.
Quoi étaient excité à propos dans JMP 17 est maintenant
nous ont ajoutée quelques caractéristiques pour distribution donc ce nous peut gérer
ce limite de détection problème et diffusion comme Bien.
Tous toi ont pour faire est toi ajouter
un détection limite colonne propriété pour ton réponse variable,
et toi spécifier quoi le supérieur et ou inférieur détection limite est,
et tu es bien pour aller, il y a rien autre toi ont pour faire.
Dans mon simulé exemple, je avait un inférieur détection limite de 9.
je serait mettre 9 dans le inférieur détection limite champ ici.
C'est vraiment tous toi ont pour faire.
Par en précisant ce détection limite,
maintenant distribution est en allant pour dire, d'accord, je savoir ce valeurs de 9
sont en fait gauche censuré,
et Je suis en allant pour faire estimation comptabilité pour ce.
Maintenant avec ce même simulé exemple, et ce inférieur détection limite spécifié,
maintenant tu vas avis nous obtenir un beaucoup plus raisonnable adapter le normal distribution.
Maintenant notre confiance intervalle pour les deux le emplacement et escalader paramètre
couvre le vérité,
parce que nous savoir, encore, le emplacement était dix et le escalader était 1.
Maintenant notre confiance intervalles couverture le vérité
et c'est un beaucoup mieux situation.
Si toi regarder à le CDF parcelle ici,
ce est un vraiment bien chemin pour comparer notre équipé distribution pour notre données.
Quoi c'est action est ce rouge doubler est le empirique CDF,
et le vert doubler est le équipé normal CDF.
comme toi peut dire, ils sont vraiment fermer en haut jusqu'à 9.
Et cela fait du sens, parce que c'est où nous ont censure.
Étaient action un beaucoup mieux emploi raccord ces données
parce que étaient correctement manutention ce détection limite.
je juste recherché pour indiquer dehors ce quand vous avez spécifié le détection limite,
le rapport fait du il vraiment clair ce nous avons utilisé il.
Comme toi peut voir ici,
il dit le équipé normal distribution avec détection limites,
et il laisse toi savoir exactement qui détection limites il utilisé.
Maintenant pas seul sont,
parce que étaient action un mieux emploi Estimation notre paramètres,
choses comme inférence à propos ceux paramètres est plus fiable.
Si nous faire quelque chose comme nous regarder à le distribution profileur
maintenant nous peut confiance ces
inférence basé sur notre équipé distribution,
nous se sentir beaucoup mieux à propos confiant choses comme le distribution profileur.
Avec le simulé exemple, si nous utiliser notre équipé normal distribution,
Parce que nous correctement manipulé censure,
nous savoir ce à propos 16 % de le observations
sont chute dessous ce inférieur détection limite.
je aussi recherché pour indiquer dehors ce
quand toi ont détection limites dans distribution,
maintenant étaient seul capable pour adapter un sous-ensemble de le distributions
ce toi serait normalement voir dans le distribution plateforme.
Nous peut adapter le normal, exponentiel, gamma enregistrer, normal, WI et bêta.
Tous de ceux distributions soutien censure
ou limité détection dans distribution.
Mais si toi étaient en utilisant quelque chose comme le mélange de normales,
Bien, ce ce n'a pas étendre Bien pour capteur données.
Tu es pas en allant pour être capable pour adapter ce quand toi ont un limite de détection.
je aussi recherché pour indiquer dehors si toi ont JMP pro
et tu es utilisé pour en utilisant le généralisé régression plateforme,
généralisé régression reconnaît ce exact même colonne propriété.
Le détection limite colonne propriété
est reconnu par les deux distribution et généralisé .
Un de le vraiment bon choses à propos
ce nouveau fonctionnalité est ce il obtient porté sur pour le aptitude plateforme.
Si toi faire ton adapter et distribution, et toi lancement aptitude,
maintenant étaient en allant pour obtenir plus fiable aptitude résultats.
Allons dire ce étaient fabrication un nouveau médicament,
et nous vouloir pour mesure le montant de somme impureté dans le médicament.
Notre données pourrait regarder comme quoi nous ont ici.
Nous ont un bouquet de petit valeurs, et nous ont un inférieur détection limite de 1 mg.
ces valeurs de 1 ce sont Souligné ici,
nous ne le faites pas vraiment penser ceux sont 1.
Nous en fait penser c'est quelque chose... Nous savoir ce c'est quelque chose moins plus de 1 .
Nous ont un supérieur spécification limite de 2.5 milligrammes.
ce est un situation où nous ont les deux spécification limites et détection limites.
C'est vraiment facile pour spécifier ceux dans le colonne propriétés.
Ici nous avons défini notre supérieur spécification limite comme 2.5
Et notre inférieur détection limite de 1.
Maintenant tous toi ont pour faire est juste
donner distribution le colonne ce toi vouloir pour analyser.
Il sait exactement comment pour gérer ce réponse variable.
Allons regarder à le aptitude résultats.
Maintenant, parce que nous avons correctement manipulé ce limite de détection,
nous confiance ce notre enregistrer normal adapter est bien.
Nous voir ce notre Pk, valeur ici est 0,546 .
C'est pas très bien.
Généralement toi serait vouloir un Ppk au-dessus de 1.
Ce est récit nous ce notre système est pas très capable.
Nous avons a obtenu quelques problèmes ce nous pourrait besoin pour trier dehors.
Une fois encore, quoi serait ont arrivé si nous avait ignoré ce limite de détection
et nous avait juste traité tous ceux 1s comme si ils vraiment étaient 1s.
Bien, allons prendre un regarder.
Nous faire notre adapter, ignorer le limite de détection, et nous obtenir un Ppk de au-dessus de 1.
Basé sur ce adapter,
nous serait dire ce nous en fait ont un décemment capable système,
parce que un Ppk de 1 est pas aussi mauvais.
Il pourrait être un acceptable valeur.
Par ignorer ce limite de détection,
nous avons trompé nous-mêmes dans pensée notre système est plus capable que il vraiment est.
je penser ce est un cool exemple,
parce que nous ont un inférieur détection limite, qui peut mener toi pour croire,
Bien, je pourrait être peut être ignorer le limite de détection serait être conservateur,
parce que Je suis surestimer le emplacement paramètre.
C'est vrai, quand nous ignorer le limite de détection,
étaient surestimer ce emplacement paramètre.
Mais le problème est étaient grossièrement sous-estimer le escalader paramètre.
C'est quoi fait du nous faire mauvais les décisions dehors dans le queue
de ce distribution.
Par ignorer ce limite de détection,
nous avons vraiment obtenu nous-mêmes dans un mauvais situation.
Juste pour résumer,
c'est vraiment important pour reconnaître quand notre données fonctionnalité un limite de détection.
je penser c'est facile pour penser de,
parfois nous penser à propos données ensembles où
peut être nous avons analysé le réponse comme est dans le passé,
quand vraiment, peut être nous devrait ont ajusté pour un limite de détection.
Parce que comme nous juste scie, quand nous ignorer ceux limites, nous obtenir trompeur correspond.
Alors nous peut faire mauvais les décisions basé sur ceux trompeur correspond.
Comme nous scie dans notre exemple,
nous a obtenu mauvais estimations ou le emplacement et escalader paramètres,
et notre Ppk estimation était presque double quoi il devrait ont a été.
Mais quoi étaient excité à propos dans JMP 17
est ce le distribution plateforme fait du il vraiment facile pour éviter ces pièges
et pour analyser ce genre de données correctement.
Tous toi ont pour faire est spécifier ce détection limite colonne propriété,
et distribution sait exactement quoi pour faire avec ce.
Aujourd'hui nous seul regardé à inférieur détection limites,
mais toi peut juste comme Bien ont supérieur détection limites comme Bien.
Dans fait, toi peut ont les deux.
Comme je a dit, il y a seul six distributions ce actuellement soutien
censure à l'intérieur de le distribution plateforme.
Mais ceux sont aussi le six la plupart important distributions pour ces sortes de données.
Il vraiment est un bien sélection de distributions.
C'est il.
je voulais juste pour remercier toi pour ton temps
et encourager toi pour vérifier dehors ces améliorations pour le distribution plateforme.
Merci.
