Hallo, Mein Name Ist Ton Barker, Und Ich bin A statistisch Entwickler In Die JMP Gruppe.
Ich bin gehen Zu Sei reden um manche neu Merkmale In Die Verteilung Plattform
ausgerichtet in Richtung Analysieren Grenze von Erkennung Daten.
Es ist etwas ICH hat funktioniert An mit Mein Kollege, Laura Lancaster,
Wer ist Auch A stat Entwickler bei JMP.
Zu trete Dinge aus, Was Ist A begrenzt Erkennung Problem?
Was Sind Wir versuchen Zu lösen?
Es Ist Basic Ebene,
A Grenze von Erkennung Problem Ist Wann Wir haben manche Messung Gerät
Und es ist nicht fähig Zu bieten Gut Messungen draußen von manche Schwelle.
Das ist Was Wir Anruf A Grenze von Erkennung Problem.
F oder Beispiel, Lasst uns sagen Wir haben, war nehmen Gewicht Messungen
Und war verwenden A Skala das ist nicht fähig Zu machen Messungen unten 1g .
In Das Beispiel, heiraten sagen Das Wir haben ein niedrigerer Erkennung Grenze von 1
Weil Wir kippen messen unten Das.
Aber In unser Daten Satz, war Trotzdem Aufzeichnung diese Werte als 1.
Weil von diese Einschränkungen,
Wir sehen, Wir könnte haben A Daten Satz Das sieht aus wie Das.
In Teil, Wir haben manche Werte von 1 Und manche nicht-1 Werte Das Sind viel größer.
Wir nicht Wirklich glauben Das diese Werte Sind 1s.
Wir Nur wissen Das diese Sind bei am meisten 1.
Das Daten das passiert alle Die Zeit In üben.
Wenn Du denken um Manchmal war nicht fähig Zu messen unten A untere Schwelle.
Manchmal war nicht fähig Zu messen über ein Oberer, höher Schwelle.
Diese Sind beide begrenzt Erkennung Probleme.
Was sollen Wir Tun um Das?
Lasst uns sehen bei A Wirklich einfach Beispiel.
ICH simuliert manche Daten Das Sind normalerweise verteilt
mit bedeuten 10 Und Varianz 1 ,
Und war imposant A untere Erkennung Grenze von 9.
Wenn Wir sehen bei unser Daten Satz Hier,
Wir haben manche Werte über 9, Und Wir haben manche 9er.
Wann Wir sehen bei Die Histogramm,
Das definitiv nicht sehen normalerweise verteilt
Weil Wir haben A ganz Bündel von extra 9er
Und Wir nicht haben irgendetwas unten 9.
Was das passiert Wenn Wir Nur Modell Das Daten als Ist?
Also, Es wendet sich aus Die Ergebnisse sind nicht Das Großartig.
Wir erhalten A anständig schätzen von unser Standort Parameter, unser Mu,
es ist Wirklich schließen Zu 10, welche Ist Die Wahrheit.
Aber wir haben Wirklich unterschätzt Das Skala oder Streuung Parameter.
Wir haben geschätzt Es Zu Sei 0,8,
Wann Die Wahrheit Ist Das Wir generiert Es mit Skala gleich Zu 1.
Du wirst beachten Das unser Vertrauen Intervall für Das Skala Parameter
nicht sogar Abdeckung 1.
Es nicht enthalten Die Wahrheit Und das ist allgemein nicht A Großartig Situation Zu Sei In.
Was ist mehr, Wenn Wir sehen bei Die… Wir fit A Hand voll von Verteilungen,
Wir fit Die Protokoll normal, Die Gamma, Und Die normal,
Nun die normal Verteilung, welche Ist Was Wir verwenden Zu generieren unser Daten,
Es ist nicht sogar wettbewerbsfähig basierend An Die AIC.
Basierend An diese AIC Werte,
Wir würde definitiv wählen A Protokoll normal Verteilung Zu Modell unser Antwort.
Wir nicht Erledigt A Gut Arbeit schätzen unser Parameter.
War nicht sogar wählen Zu verwenden Die Verteilung
Das Wir generiert Die Daten mit.
W e Nur warf alle diese 9er hinein unser Daten Satz.
Wir ignoriert Die Tatsache Das das war unvollständig Information
und das nicht arbeiten aus Also.
Was Wenn, stattdessen von ignorieren Das Grenze von Erkennung,
Was Wenn Wir Nur werfen aus alle diese mal?
Also, Jetzt wir haben bekommen A kleiner Daten Satz Und es ist voreingenommen.
Wir haben geworfen aus A groß Brocken von unser Daten An Es.
Wir haben A voreingenommen Probe Jetzt.
Jetzt Wenn Wir fit unser normal Verteilung,
Jetzt war überschätzen Die Standort Parameter,
Und war Trotzdem unterschätzen imitieren Die Skala Parameter.
War Genau genommen In ganz A schlecht Position Trotzdem,
Weil Wir nicht Erledigt A Gut Arbeit mit entweder von diese Parameter.
War Trotzdem unwahrscheinlich Zu wählen das Normale Verteilung.
Basierend An Die AIC, Die Protokoll normal Und Die Gamma Verteilung
beide fit ganz A bisschen besser als Die normal Verteilung.
War Trotzdem In A schlecht Ort.
Wir versucht werfen aus Die 9 S, Und Das nicht drehen aus Also.
Wir versucht Nur einschließlich ihnen als 9 S.
Das nicht drehen aus Also entweder.
Was sollen Wir Tun stattdessen?
Der Antwort Ist Das Wir sollen behandeln
diese Beobachtungen bei Die Grenze von Erkennung.
Wir sollen behandeln diese als zensiert Beobachtungen.
Zensur Ist A Situation Wo
Wir nur haben teilweise Information um unser Antwort Variable.
Das ist genau Die Situation war In Hier.
Wenn Wir haben ein Überwachung bei Die untere Erkennung Grenze, Und Hier Ich habe bezeichnet Es
D-Sub L,
Wir sagen Das Überwachung Ist weniger zensiert.
Wir nicht sagen Das Y Ist gleich Zu Das Grenze von Erkennung.
Wir sagen Das Y Ist weniger als oder gleich Zu Das DL Wert.
An Die umdrehen Seite,
Wenn Wir haben A Oberer, höher Grenze von Erkennung, bezeichnet DU Hier,
diese Beobachtungen Sind Rechts zensiert.
Weil war nicht Sprichwort Das Y Ist gleich Zu Das Wert.
War Nur Sprichwort es ist bei am wenigsten Das Wert.
Wenn du bist suchen für mehr Information um Wie Zu handhaben zensiert Daten,
eins von Die Verweise Das Wir vorschlagen alle Die Zeit Ist
Meeker und Escobars Buch Statistisch Methoden für Zuverlässigkeit Daten.
Das ist A Wirklich Gut Überblick für Wie Du sollen behandeln zensiert Daten.
Wenn Du hast gebraucht manche von Die...
Wenn Du verwenden manche von Die Merkmale Und Die Überleben Und Zuverlässigkeit Speisekarte im JMP,
Dann du bist vertraut mit Dinge wie Leben Verteilung Und fit Leben von X.
Diese Sind alle Plattformen Das unterbringen Zensur In JMP.
Was war aufgeregt um In JMP 17 Ist Jetzt
Wir haben hinzugefügt manche Merkmale Zu Verteilung Also Das Wir dürfen handhaben
Das Grenze von Erkennung Problem und Vertrieb als Also.
Alle Du haben Zu Tun Ist Du hinzufügen
A Erkennung Grenze Spalte Eigentum Zu dein Antwort Variable,
Und Du angeben Was Die Oberer, höher Und oder untere Erkennung Grenze Ist,
Und du bist Gut Zu gehen, Es gibt Nichts anders Du haben Zu Tun.
In Mein simuliert Beispiel, ICH hatte A untere Erkennung Grenze von 9.
ICH würde setzen 9 In Die untere Erkennung Grenze Feld Hier.
Das ist Wirklich alle Du haben Zu Tun.
Von spezifizieren Das Erkennung Grenze,
Jetzt Verteilung Ist gehen Zu sagen, Okay, ICH wissen Das Werte von 9
Sind Genau genommen links zensiert,
Und Ich bin gehen Zu Tun Einschätzung Buchhaltung für Das.
Jetzt mit Das Dasselbe simuliert Beispiel, Und Das untere Erkennung Grenze angegeben,
Jetzt du wirst beachten Wir erhalten A viel mehr vernünftig fit Die normal Verteilung.
Jetzt unser Vertrauen Intervall für beide Die Standort Und Skala Parameter
Abdeckungen Die Wahrheit,
Weil Wir wissen, wieder, Die Standort War 10 Und Die Skala War 1.
Jetzt unser Vertrauen Intervalle Abdeckung Die Wahrheit
und das ist A viel besser Situation.
Wenn Du sehen bei Die CDF Handlung Hier,
Das Ist A Wirklich Gut Weg Zu vergleichen unser tailliert Verteilung Zu unser Daten.
Was es ist tun Ist Das Rot Linie Ist Die empirisch CDF,
Und Die Grün Linie Ist Die tailliert normal CDF.
als Du dürfen erzählen, Sie sind Wirklich schließen hoch bis 9.
Und das macht Sinn, Weil das ist Wo Wir haben Zensur.
War tun A viel besser Arbeit passend zu diese Daten
Weil war richtig Handhabung Das Erkennung Grenze.
ICH Nur gesucht Zu Punkt aus Das Wann Du hast angegeben Die Erkennung Grenze,
Die Bericht macht Es Wirklich klar Das wir haben gebraucht Es.
Als Du dürfen sehen Hier,
Es sagt Die tailliert normal Verteilung mit Erkennung Grenzen,
Und Es Lasst uns Du wissen genau welche Erkennung Grenzen Es gebraucht.
Jetzt nicht nur Sind,
Weil war tun A besser Arbeit schätzen unser Parameter,
Dinge wie Inferenz um diese Parameter Ist mehr vertrauenswürdig.
Wenn Wir Tun etwas wie Wir sehen bei Die Verteilung Profiler
Jetzt Wir dürfen Vertrauen diese
Inferenz basierend An unser tailliert Verteilung,
Wir fühlen viel besser um vertrauensvoll Dinge wie Die Verteilung Profiler.
Mit Die simuliert Beispiel, Wenn Wir verwenden unser tailliert normal Verteilung,
Weil Wir richtig abgewickelt Zensur,
Wir wissen Das um 16 % von Die Beobachtungen
Sind fallen unten Das untere Erkennung Grenze.
ICH Auch gesucht Zu Punkt aus Das
Wann Du haben Erkennung Grenzen In Verteilung,
Jetzt war nur fähig Zu fit A Teilmenge von Die Verteilungen
Das Du würde normalerweise sehen In Die Verteilung Plattform.
Wir dürfen fit Die normal, exponentiell, Gamma Protokoll, normal, WI Und Beta.
Alle von diese Verteilungen Unterstützung Zensur
oder begrenzt Erkennung In Verteilung.
Aber Wenn Du war verwenden etwas wie Die Mischung von Normale,
Also, Das Das nicht verlängern Also Zu Sensor Daten.
Du bist nicht gehen Zu Sei fähig Zu fit Das Wann Du haben A Grenze von Erkennung.
ICH Auch gesucht Zu Punkt aus Wenn Du haben JMP Profi
Und du bist gebraucht Zu verwenden Die verallgemeinert Rückschritt Plattform,
verallgemeinert Rückschritt erkennt Das genau Dasselbe Spalte Eigentum.
Der Erkennung Grenze Spalte Eigentum
Ist anerkannt von beide Verteilung Und verallgemeinert .
Eins von Die Wirklich Hübsch Dinge um
Das neu Besonderheit Ist Das Es bekommt getragen An Zu Die Fähigkeit Plattform.
Wenn Du Tun dein fit Und Verteilung, Und Du Start Fähigkeit,
Jetzt war gehen Zu erhalten mehr vertrauenswürdig Fähigkeit Ergebnisse.
Lasst uns sagen Das war Herstellung A neu Arzneimittel,
Und Wir wollen Zu messen Die Menge von Summe Verunreinigung In Die Arzneimittel.
Unser Daten könnte sehen wie Was Wir haben Hier.
Wir haben A Bündel von klein Werte, Und Wir haben A untere Erkennung Grenze von 1 mg.
diese Werte von 1 Das Sind hervorgehoben Hier,
Wir nicht Wirklich denken diese Sind 1.
Wir Genau genommen denken es ist etwas... Wir wissen Das es ist etwas weniger als 1 .
Wir haben ein Oberer, höher Spezifikation Grenze von 2.5 Milligramm.
Das Ist A Situation Wo Wir haben beide spez Grenzen Und Erkennung Grenzen.
Es ist Wirklich einfach Zu angeben diese In Die Spalte Eigenschaften.
Hier wir haben definiert unser Oberer, höher spez Grenze als 2.5
Und unser untere Erkennung Grenze von 1.
Jetzt alle Du haben Zu Tun Ist Nur
geben Verteilung Die Spalte Das Du wollen Zu analysieren.
Es weiß genau Wie Zu handhaben Das Antwort Variable.
Lasst uns sehen bei Die Fähigkeit Ergebnisse.
Jetzt, Weil wir haben richtig abgewickelt Das Grenze von Erkennung,
Wir Vertrauen Das unser Protokoll normal fit Ist Gut.
Wir sehen Das unser Ppk, Wert Hier Ist 0,546 .
Das ist nicht sehr Gut.
Normalerweise Du würde wollen A Ppk über 1.
Das Ist erzählen uns Das unser System Ist nicht sehr fähig.
Wir haben bekommen manche Probleme Das Wir könnte brauchen Zu Sortieren aus.
Einmal wieder, Was würde haben passiert Wenn Wir hatte ignoriert Das Grenze von Erkennung
Und Wir hatte Nur behandelt alle diese 1s als Wenn Sie wirklich war 1s.
Also, Lasst uns nehmen A sehen.
Wir Tun unser fit, ignorieren Die Grenze von Erkennung, Und Wir erhalten A Ppk von über 1.
Bezogen auf Das fit,
Wir würde sagen Das Wir Genau genommen haben A anständig fähig System,
Weil A Ppk von 1 Ist nicht zu schlecht.
Es könnte Sei ein akzeptabel Wert.
Von ignorieren Das Grenze von Erkennung,
wir haben ausgetrickst uns selbst hinein Denken unser System Ist mehr fähig als Es Wirklich Ist.
ICH denken Das Ist A Cool Beispiel,
Weil Wir haben A untere Erkennung Grenze, welche Mai führen Du Zu glauben,
Also, ICH könnte Sei Vielleicht ignorieren Die Grenze von Erkennung würde Sei konservativ,
Weil Ich bin überschätzen Die Standort Parameter.
Das ist WAHR, Wann Wir ignorieren Die Grenze von Erkennung,
war überschätzen Das Standort Parameter.
Aber Die Problem Ist war grob unterschätzen Die Skala Parameter.
Das ist Was macht uns machen schlecht Entscheidungen aus In Die Schwanz
von Das Verteilung.
Von ignorieren Das Grenze von Erkennung,
wir haben Wirklich bekommen uns selbst hinein A schlecht Situation.
Nur Zu zusammenfassen,
es ist Wirklich wichtig Zu erkenne Wann unser Daten Besonderheit A Grenze von Erkennung.
ICH denken es ist einfach Zu denken von,
Manchmal Wir denken um Daten Sätze Wo
Vielleicht wir haben analysiert Die Antwort als Ist In Die Vergangenheit,
Wann Wirklich, Vielleicht Wir sollen haben angepasst für A Grenze von Erkennung.
Weil wie Wir Nur gesehen, Wann Wir ignorieren diese Grenzen, Wir erhalten irreführend passt.
Dann Wir Mai machen schlecht Entscheidungen basierend An diese irreführend passt.
Wie Wir gesehen In unser Beispiel,
Wir bekommen schlecht Schätzungen oder Die Standort Und Skala Parameter,
Und unser Ppk schätzen War fast doppelt Was Es sollen haben gewesen.
Aber Was war aufgeregt um In JMP 17
Ist Das Die Verteilung Plattform macht Es Wirklich einfach Zu vermeiden diese Tücken
Und Zu analysieren Das Art von Daten richtig.
Alle Du haben Zu Tun Ist angeben Das Erkennung Grenze Spalte Eigentum,
Und Verteilung weiß genau Was Zu Tun mit Das.
Heute Wir nur sah bei untere Erkennung Grenzen,
Aber Du dürfen Nur als Also haben Oberer, höher Erkennung Grenzen als Also.
In Tatsache, Du dürfen haben beide.
Wie ICH sagte, Es gibt nur sechs Verteilungen Das momentan Unterstützung
Zensur innen von Die Verteilung Plattform.
Aber diese Sind Auch Die sechs am meisten wichtig Verteilungen für diese Arten von Daten.
Es Wirklich ist ein Gut Auswahl von Verteilungen.
Das ist Es.
ich wollte nur Zu Dank Du für dein Zeit
Und ermutigen Du Zu überprüfen aus diese Verbesserungen Zu Die Verteilung Plattform.
Danke.
