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