572661_de-DE

liliconcom

Verwendung der generalisierten Regression zur Analyse geplanter Experimente mit erkennungsbegrenzten Reaktionen (2023-EU-30MP-1308)

Fangyi Luo, Gruppenwissenschaftler, Procter & Gamble
Christopher Gotwalt, Chefdatenwissenschaftler, JMP
Beatrice Blum, leitende Wissenschaftlerin, Procter & Gamble

Die meisten Messsysteme haben Nachweisgrenzen, oberhalb oder unterhalb derer sich die gewünschte Menge nicht genau messen lässt. Obwohl nachweisbegrenzte Reaktionen in vielen Anwendungsbereichen üblich sind, beispielsweise in der Pharma-, Chemie- und Konsumgüterindustrie, werden sie bei der Analyse häufig ignoriert. Das Ignorieren der Erkennung begrenzt Verzerrungen in den Ergebnissen und verringert sogar drastisch die Fähigkeit, aktive Effekte zu erkennen. Glücklicherweise machen der benutzerdefinierte Designer und die generalisierte Regression in JMP® die Integration von Erkennungsgrenzen einfach und automatisch. In dieser Präsentation werden wir simulierte Versionen real geplanter Experimente verwenden, um zu zeigen, wie man die Analyse in JMP® Pro 17 richtig macht und welche Fallstricke auftreten, wenn Nachweisgrenzen in der Analyse ignoriert werden. Wir werden auch zeigen, wie einfache grafische Werkzeuge Teile des Designbereichs identifizieren können, die problematisch sein könnten oder es sogar unmöglich machen könnten, bestimmte Modellterme oder Interaktionen abzuschätzen. Zu unseren Beispielen gehört ein Experiment zur Maximierung der Ausbeute eines chemischen Produkts, bei dem die Reaktion in einer Verringerung der Anzahl von Mikroorganismen bei mikrobiellen Empfindlichkeitstests von Verbraucherreinigungsprodukten besteht.

Hallo, Ich bin Chris Gotwalt mit JMP, Und Ich bin präsentieren mit Fangyi Luo von Procter & Zocken, Und ihr Kollege, Beatrice Blum, Wer wird Sei Beitritt uns für Die In- Person Präsentation bei Die Entdeckung Konferenz In Spanien.

Heute, Wir Sind reden um Wie Zu Modell Daten aus entworfen Experimente Wann Die Antwort Ist Erkennung begrenzt. Das Ist ein wichtig Thema Weil An Die eins Hand, Erkennung Grenzen Sind sehr gemeinsam, besonders In Branchen Das Tun a viel von Chemie, wie Die pharmazeutisch Und Verbraucher Produkte Branchen.

Während An Die andere Hand, Die Folgen von ignorieren Erkennung Grenzen führt Zu ernsthaft ungenau Schlussfolgerungen Das Wille nicht verallgemeinern. Das führt Zu verloren Forschung und Entwicklung Zeit Und ineffizient verwenden von Ressourcen. Der Gut Nachricht Das Wir Sind Hier Zu zeigen Heute Ist Das bekommen Die Analyse Rechts Ist trivial einfach Wenn Du Sind verwenden verallgemeinert Rückschritt In JMP Pro und wissen Wie Zu Satz hoch Die Erkennung Grenzen Spalte Eigentum.

In Das sprechen, war gehen Zu geben a knapp Einführung Zu Sensor Daten, erklären Was Es Ist, Was Es sieht aus wie In Histogramme Und a knapp Beschreibung von Wie Du analysieren Es a wenig bisschen anders. Dann Fangyi Ist gehen Zu gehen hinein Die Analyse von manche entworfen Experimente aus Procter & Zocken. Dann Ich bin gehen Zu gehen durch ein Analyse von a größer Daten Satz als Die eins Das Fangyi eingeführt. Dann war gehen Zu wickeln hoch mit a Zusammenfassung Und manche Schlussfolgerungen.

Was Sind Erkennung Grenzen? Erkennung Grenzen Sind Wann Die Messung System Ist unfähig Zu messen, bei am wenigsten zuverlässig, Wann Die tatsächlich Wert Ist über oder unten a besondere Wert. Wenn Die tatsächlich Wert Ist, sagen, über ein Oberer, höher Erkennung Grenze, Die gemessen Wert Wille Sei beobachtet als Sein bei Das Grenze. Für Beispiel, Wenn a Tachometer In a Fahrzeug nur geht Zu 180 Kilometer ein Stunde, Aber Du Sind Fahren 200 Kilometer ein Stunde, Dann Die Tachometer Wille Nur lesen 180 Kilometer ein Stunde.

In Die Grafiken über, Wir sehen ein anderer Beispiel. Wir sehen fünf Histogramme von Die Dasselbe Daten. Der WAHR oder tatsächlich Werte Sind über Hier An Die links, Und ziehen um Zu Die Rechts, Wir sehen Was Ergebnisse Wann Du anwenden ein zunehmend Erkennung Grenze Zu Das Daten.

Was das passiert Ist Wir sehen Das charakteristisch Bündelung bei Die Erkennung Grenze. Wann Du sehen Das Muster, es ist a Wirklich Gut Zeichen Das Du Mai brauchen Zu denken um nehmen Erkennung Grenzen hinein Konto In dein verteilend oder Rückschritt Analyse.

Warum sollen Wir Pflege um Erkennung Grenzen In a Daten Analyse? Also, Wenn Du nicht nehmen dein Erkennung Grenzen hinein Konto richtig, du wirst Ende hoch mit sehr schwer voreingenommen Ergebnisse, Und Das führt Zu sehr arm Modell Verallgemeinerung. Der Rückschritt Koeffizienten Wille Sei Weg aus. Du wirst haben ein falsch Antwort Oberfläche, welche führt Zu abgestimmt Ziele mit Die Profiler Sein Weg aus.

I denken Die Situation Ist a wenig bisschen weniger sagen Wann maximieren a Antwort, Aber Es gibt Trotzdem ganz a viel von Gelegenheit für Dinge Zu gehen falsch. In besondere, Sigma, dein Varianz schätzen Wille Trotzdem Sei Weg aus, welche führt Zu viel untere Leistung, Du haben vollständig unzuverlässiges p- Werte. Der Tendenz Ist Das Variable Auswahl Methoden Wille schwer unter wählen wichtig Faktoren . Der tatsächlich Auswirkungen Das a Faktor hat An dein Antwort Wille Sei dramatisch unauffällig Wenn Du nicht nehmen Die Erkennung Grenzen hinein Konto.

Der zwei Tische von Parameter Schätzungen Das Wir sehen Hier veranschaulichen Das sehr schön. An Die links Sind Die Parameter Schätzungen aus a Erkennung- begrenzt Ruhig normal Analyse von a Rückschritt Problem. An Die Richtig, sie Sind Die resultierend Parameter Schätzungen Wann Wir ignorieren Die Erkennung Grenze. Wir sehen Das Die Modell An Die links Ist a viel reicher Und Das a viel von unser hauptsächlich Auswirkungen, Interaktionen, Und quadratisch Bedingungen haben gewesen zugelassen hinein Die Modell.

Wohingegen An Die Rechts, Wann Wir ignorieren Die Erkennung Grenze, war nur fähig Zu erhalten eins hauptsächlich Wirkung Und es ist quadratisch Begriff inbegriffen In Die Modell, Und Die quadratisch Begriff Ist schwer überbewertet mit a Wert von Negativ 11.5 um relativ Zu Die Wert In Die richtig Analyse Wo Das quadratisch Begriff Ist gleich Zu Nur Negativ 3.

Wir sehen Das war Wirklich fehlen Es An a viel von Die andere Parameter Hier als Also. Wann Wir nehmen a sehen bei Das In Die Profiler, Das wird Wirklich ersichtlich. O n Die links, Wir haben Die Profiler von Die Modell korrekt Analysieren mit Die Nachweisgrenze, Und Wir sehen Das alle Die Faktoren Sind Dort, Und gesamt, Die Antwort Oberfläche Ist hübsch reich- suchen.

An Die Rechts, Wir sehen Das nur Die eins Faktor, Dichlormethan, hat gewesen inbegriffen In Die Modell. T Er Lösung Zu Die Problem Das Du würde erhalten mit Die Problem An Die links Ist wahrscheinlich eher anders aus Die eins Das Du würde erhalten An Die Rechts.

Danke, Chris. Jetzt Ich bin gehen Zu Aktie mit Du a wenig bisschen Hintergrund An Die Experiment von Die Daten erwähnt von Chris, Die Zeit Zu bakteriell Erkennung. Der Zielsetzung von Das Experiment War Zu verstehen Feindseligkeit Auswirkungen von unser Formulierung Zutaten oder Faktoren An a flüssig Verbraucher Reinigung Formulierung.

Der Experiment War a Mikro- Feindseligkeit Design von Experiment mit 36 Proben, Und Wir haben fünf Schlüssel Formulierung Faktoren A, B, C, D, UND. W e haben zwei Antworten aus Das Experiment. Sie sind aus mikrobiell testen. Der Erste eins War Die eins erwähnt von Chris. Es Ist Zeit Zu Bakterien Erkennung In zwei Tage, Und Es War gemessen von Stunde. I f Wir Sind nicht fähig Zu erkennen Die Bakterien In zwei Tage, Dann Zeit Zu Bakterien Erkennung Ist Rechts zensiert bei 48 Std. Also Die Nachweisgrenze für Das Endpunkt Ist 48 Std.

Ein anderer Endpunkt Ist Protokoll die Ermäßigung In Modus aus Mikro Anfälligkeit Testen. Für Das Endpunkt, Was Wir tat Ist Das Wir hinzufügen bestimmt Menge von Schimmel Zu Die Formulierung, Warten für zwei Wochen, Und messen Menge von Schimmel In Die Produkt nach zwei Wochen. T Henne Wir Berechnung Die die Ermäßigung In Protokoll Base Zeit Schimmel, Und Das Ist Die zweite Endpunkt.

Nachweisgrenze für Das Endpunkt Ist sechs Einheit. T sein zeigt an Du Die detailliert Daten aus Die Experiment, Die Erste 15 Proben. Y oder dürfen sehen Die Formulierung Faktoren A, B, C, D, UND, Und Sie war aus Antwort Oberfläche Design. W e haben zwei Endpunkte, Die Bakterien Erkennung Zeit In Std. Und Die Protokoll die Ermäßigung In Schimmel. Der Daten hervorgehoben In Rot Sind Rechts zensiert Daten.

Wir dürfen verwenden Histogramme Und Streudiagramme Zu visualisieren unser Daten als Also als Faktor gegen Zensur Beziehung. Als Du dürfen sehen aus Die Histogramm, mehr als 50 % von Proben Sind Rechts zensiert bei 48 Std. Wenn ein Überwachung Ist nicht zensiert, Dann am meisten von ihnen Wille Sei unten 15 Std.

O n Die Rechts, Wir haben Die streuen Handlung. Der Rot Kreis zeigt an Die zensiert Daten Punkte. Du dürfen sehen Das Wir haben Zensur bei alle Ebenen von Die Faktoren außer für Faktor C. Wir nicht haben Die Zensur bei höher Ebene von C, Aber Wir beobachten Zensur bei alle Ebene von Die Faktoren.

In JMP Profi 16 Und höher, Wir dürfen angeben Spalte Eigenschaften für Erkennung Grenze. W Henne Du gehen Zu Spalte Eigentum, Du finden Erkennung Grenzen, Und Dann Du dürfen angeben Die untere Erkennung Grenze Und Oberer, höher Erkennung Grenze. ICH f a Daten Punkt Ist unten Die untere Erkennung Grenze, Das bedeutet es ist weniger zensiert bei Die untere Erkennung Grenze. Wenn a Daten Punkt Ist höher als Die Oberer, höher Erkennung Grenze, Dann Es bedeutet Das es ist Rechts zensiert bei Die Oberer, höher Erkennung Grenze.

Für Die bakteriell Erkennung Zeit, Wir haben ein Oberer, höher Erkennung Grenze Und es ist 48 Std. W e setzen 48 Std. In Die Oberer, höher Erkennung Grenze Kasten. Nach Wir angegeben Erkennung Grenze An Die Spalte Eigentum In JMP, Dann Wir dürfen verwenden JMP verallgemeinert Rückschritt Modellieren Zu analysieren Die Daten von nehmen hinein Konto Die Nachweisgrenze. Also Das Ist a neu Besonderheit In JMP Profi 16 Und höher.

Für Das Typ von Analyse, Wir brauchen Zu Erste angeben Die Verteilung für a Antwort Und Einschätzung Methode. W e versuchen anders Verteilung für Die Daten Und verwenden Die nach vorne Auswahl Methode, Und Wir gefunden Normal Verteilung passt Die Daten Die am besten Weil Es hat am niedrigsten AICc.

Wir dürfen Auch analysieren Daten ignorieren Die Erkennung Grenze. Y oder dürfen sehen Das Wir Wille haben a viel kleiner Modell mit fünf Faktoren links In Die Finale Modell. T Er Modell ignorieren Nachweisgrenze Wille haben viel weniger Leistung Zu erkennen bedeutsam Faktoren.

Das zeigte Du Die Faktoren links In Die Finale Modell aus Die verallgemeinert Rückschritt Modellieren. Wenn Wir nehmen hinein Konto Nachweisgrenze für Die Antwort, oder Wenn Wir ignorieren Nachweisgrenze In Die Antwort. Als Du dürfen sehen, Wenn Wir nehmen hinein Konto Nachweisgrenze, Dann Wir haben viel mehr bedeutsam Faktoren In Die Modell. W e dürfen nur erkennen Die Wirkung von C Und D Und ihre quadratisch Wirkung In Die Modell Wenn Wir ignorieren Nachweisgrenze für unser Antwort.

Wieder, Das Ist Vergleich von Die Parameter schätzen aus Die Modell Wenn Wir halten Nachweisgrenze In Die Modellieren oder ignorieren Nachweisgrenze In Die Modellieren. Ignorieren Nachweisgrenze In Die Modellieren würde geben uns Die Voreingenommenheit schätzen von Die Parameter als Also.

Das gleiten zeigt an Du Die Vorhersage Profiler von Die Antwort Wenn Wir ausführen Die Modellieren von angesichts Die Nachweisgrenze gegen ignorieren Die Nachweisgrenze. Wenn Wir halten Die Nachweisgrenze In Die Modellieren, Dann Wir erhalten a Modell mit alle Die Bedingungen In Die Modell, Die hauptsächlich Auswirkungen als Also als manche von Die Interaktion Und quadratisch Bedingungen. T sein Modell macht viel mehr Sinn Zu unser Mitarbeiter.

Erinnern Das bei untere Ebene von C Und bei höher Ebene von D, Wir haben mehr Zensur Daten. Das bedeutet Die Erkennung Zeit Ist länger Und Die Vorhersage Profiler zeigte Das bei untere Ebene von C Und a höher Ebene von D, Die vorhergesagt Erkennung Zeit Ist länger. A auch Weil Wir haben mehr zensiert Daten In diese Region, Also Die Vertrauen Intervall für Die Vorhersage P Profilierer Ist breiter.

Wenn Wir ignorieren Die Nachweisgrenze In Die Analyse, Wir erhalten viel weniger bedeutsam Faktoren. Nur C Und D zeigte hoch In Die Modell, Und Die Parameter schätzen Ist Auch voreingenommen. Das eins zeigt an Du Die diagnostisch Plotten von beobachtet Daten An Die Und- Achse gegen vorhergesagt Daten An Die X- Achse.

Wenn Wir halten Nachweisgrenze In Die verallgemeinert Rückschritt Modellieren, Es gibt richtig Vorhersage. Aber Wenn Wir ignorieren Nachweisgrenze In Die Modellieren, Dann Es Wille geben falsch Vorhersage für dein Daten.

In Zusatz Zu Die Vorhersage Profiler, JMP verallgemeinert Rückschritt Modellieren würde Auch geben Du zwei Profiler ähnlich Zu diese aus Parametrisch Überleben M odeling Plattform. Diese Sind Die Verteilung Profiler Und Quantil Profiler. Der Verteilung Profiler Wille geben Du Die Versagen Wahrscheinlichkeit bei a bestimmt Kombination von unser Formulierung Faktoren Und a bestimmt Erkennung Zeit.

Der Quantil Profiler Wille geben Du Die Quantil von Die Erkennung Zeit bei a bestimmt Kombination von unser Formulierung Faktoren Und Die angegeben Versagen Wahrscheinlichkeit. T Hier zwei Profiler Sind verfügbar In JMP unter Die Verallgemeinert Rückschritt Modellieren.

Aber eins Vorteil von verwenden Generalisiertes R Austritt Modellieren Zu analysieren Zeit Zu Versagen Typ von Daten Ist Das Es würde bieten Du Die Vorhersage Profiler, Und Das Typ von Profiler Ist viel mehr Einfacher für unser Mitarbeiter Zu verstehen. I Es ist viel Schwerer Zu erklären Die Verteilung Profiler Und Quantil Profiler Zu unser Mitarbeiter.

Jetzt Es kommt Zu Die Analyse von Die zweite Endpunkt, Die Protokoll die Ermäßigung In Schimmel. Wieder, Wir dürfen verwenden Histogramm Und Die Streudiagramm Zu visualisieren unser Daten Und visualisieren Die Faktor gegen Zensur Beziehung. Als Du dürfen sehen aus Die links Histogramm, Du dürfen sehen Das Wir haben a viel von Daten Das Sind Rechts zensiert bei sechs Einheit.

Wir dürfen sehen Zensur bei alle Ebene von unser Formulierung Faktoren, außer bei höher Ebene von C Und untere Ebene von UND. T sein Ist Die Region von Sorge. Wir haben gesehen a viel von Zensur bei untere Ebene von C Und höher Ebene von UND. Das bedeutet bei untere Ebene von C Und höher Ebene von UND, es ist Gut für Die Produkt. Wir haben höher Protokoll Schimmel die Ermäßigung.

Wieder, Wir dürfen verwenden Erkennung Grenze An Die Spalte Eigentum Zu angeben Die Nachweisgrenze für Das Endpunkt. W e gebraucht Oberer, höher Erkennung Grenze von sechs In Das Spalte Eigentum. N Autsch Die nächste Schritt Ist Zu analysieren Das Daten verwenden Die Generalisiertes R Austritt Modellieren von nehmen hinein Konto Die Nachweisgrenze. W e verwenden Ruhig normal Verteilung Und nach vorne Auswahl.

Interessant, Wir gefunden Das Die RS Warum? Ist eins Und Das Ist sehr verdächtig. A auch, Wir sehen manche Rot Flagge. Der AICc hatte a schwer fallen nach Schritt 17. T Er Standard Fehler von Die schätzen als Also als Die schätzen für Die Skala Parameter scheint Zu Sei äußerst klein. A auch, Die diagnostisch Handlung zeigte perfekt Vorhersage aus Die Modell. W e wissen Das Die Modell hat Überfit.

Das Ist Die Vorhersage Profiler, Und Sie zeigte sehr eng Vertrauen Intervall für Die Vorhersage, Und Wir wusste Das unser Modell Ist Überfit. Also Was Wir tat für Die Modellieren Ist Das Wir versucht a einfacher Modell von entfernen Die quadratisch Bedingungen aus Die anfänglich Antwort Oberfläche Modell.

Wir gefunden Das Ruhig normal mit nach vorne Auswahl Modell passt Die Daten Die am besten Weil Es hat a am niedrigsten AICc Und BIC. T sein Zeit, Die Lösung Weg sieht aus mehr vernünftig als Also als Die Standard Fehler schätzen von unser Parameter Und schätzen von Die Skala Parameter von Die Ruhig normal Verteilung. T Er diagnostisch Handlung sieht aus mehr vernünftig Jetzt.

Das Ist Die Vorhersage Profiler von Die Finale Modell nach Wir ENTFERNT Die quadratisch Bedingungen. Das Vorhersage Profiler macht a viel mehr Sinn. Abrufen Das bei untere Ebene von C Und bei höher Ebene von UND, Wir haben mehr zensiert Daten Du dürfen sehen Hier. Das bedeutet bei untere Ebene von C Und höher Ebene von UND, Wir haben höher Protokoll Schimmel die Ermäßigung.

Es zeigte An Die Vorhersage Profiler Weil Es hat mehr zensiert Daten In Das Region Und Die Vertrauen Intervall für Die Vorhersage Ist breiter. Wir dürfen Auch vergleichen Die Finale Modell Vorhersage Profiler Wenn Wir ignorieren Nachweisgrenze In Die Modellieren.

Wenn Wir ignorieren Nachweisgrenze In Die Modellieren, Wir bekommen weniger bedeutsam Modell Faktoren als Also als voreingenommen Ergebnisse. Wenn Wir ignorieren Nachweisgrenze In Die Verallgemeinert Rückschritt Modellieren, Dann Die zweite Modell, welche Ist falsch Und Ist versuchen Zu verwenden Die quadratisch Begriff Zu vorhersagen In Die untere Ebene von C Und höher Ebene von E. Also t weinen Zu erhalten Die prädiktiv Wert schließen Zu Die Nachweisgrenze, Und Wir wusste Das Das Ergebnis Ist voreingenommen.

Fangyi hat schön gezeigt Hier Das Die falsch Analyse, ignorieren Die Nachweisgrenze, führt Zu manche ernsthaft voreingenommen Ergebnisse. Und Das bekommen Die Analyse Rechts Ist einfach Wenn Du Satz hoch Die Erkennung Grenzen In entweder Die Brauch Designer oder als a Spalte Eigentum.

Ich bin gehen Zu gehen durch eins mehr Beispiel Das hat Messungen bei anders mal, welche fügt hinzu a wenig bisschen mehr Komplexität Zu Die Modell Satz hoch, Und In unser Fall, erforderlich manche Tisch Manipulation Zu erhalten Die Daten In Die Rechts Format.

Hier Ist Die Daten Tisch von Die zweite DAMHIRSCHKUH In grundsätzlich Die bilden Das Es ursprünglich kam Zu uns. In Das Daten, Wir haben 8 Faktoren, A durch H, Und Die Daten hat Messungen um 1 Tag 2 Tage, Und 7 Tage. Ursprünglich, unser Absicht War Zu analysieren Die 3 Tage separat, Aber Wann Wir fit Die Tag 7 Daten, Die Vertrauen Intervalle An Die Vorhersagen war riesig.

Es War ersichtlich Das Dort War Also viel Zensur Das Wir war unfähig Zu fit Die Modell, Und Also Wir war entweder gehen Zu haben Zu kommen hoch mit ein anderer Strategie oder zurück weg aus manche von unser Modellieren Ziele. Was Wir beendet hoch tun War Wir gebraucht a Stapel Betrieb aus unter Die Tische Speisekarte Also Das Die Antworten aus anders Tage würde Sei kombiniert zusammen hinein a einzel Spalte, Und Wir hinzugefügt Tag als a Spalte Das Wir könnte verwenden als a Rückschritt Begriff.

In Die Histogramm von Protokoll die Ermäßigung, Wir sehen Die charakteristisch Bündelung bei Die Erkennung Grenze von fünf. Kombinieren Die Daten wie Das sicherlich scheint Zu haben verbessert Die Auswirkungen von Zensur An Die Design Und hoffentlich erlaubt uns Zu machen mehr Wirksam verwenden von alle Die Daten Das Wir haben.

Als In Die vorherige Beispiele, Wir Start aus passend zu a voll RSM Modell, Aber In Das Fall, Weil Wir haben Tag als a Begriff, Wir hinzufügen a Tag Und interagieren alle von Die RSM Bedingungen mit Tag In Die Fit Modell Start Dialog vor Zu bringen hoch Die verallgemeinert Rückschritt Plattform. Wieder, war gehen Zu verwenden Die Ruhig normal Verteilung als unser anfänglich Antwort Verteilung.

Weil Das Ist a groß Modell, Wir kippen verwenden am besten Teilmenge Auswahl, Also Wir gebraucht beschnitten nach vorne Auswahl als unser Modell Auswahl Kriterium. Wir versuchen Die Ruhig normal, Gamma, Und Normal Verteilungen, Und deutlich Die Ruhig normal kommt aus als Die am besten Verteilung Weil es ist A ICC Ist 205,3, welche Ist mehr als 10 weniger als Die zweite am besten Verteilung, welche War Die Normal, wessen A ICC War 257.

Hier, Die Modell fit sieht aus Wirklich vernünftig mit Nichts verdächtig. Der Lösung Weg Standard Fehler, Skala Parameter, Und Die tatsächlich von- vorhergesagt Grundstücke alle sehen hübsch Gut Und realistisch. Es gibt a wenig bisschen von Bündelung runter bei Die niedrig Ende von Die Antworten, Aber Die Denken Ist Das war nicht fällig Zu a Erkennung Grenze, Nur a Teil von Die Diskretion von Die Messung System bei untere Ebenen von die Ermäßigung.

Jetzt, Wenn Wir wiederholen Das Analyse, ignorieren Die Erkennung Grenze, Es Führer uns in Richtung Die normal Verteilung. Hier Wir sehen Die Profiler für Die Modell Das eingearbeitet Die Erkennung Grenze An Die Spitze Und Die Modell Das ignoriert Die Erkennung Grenze An Die unten.

Als In Die andere Beispiele, Wir sehen Das Die Größe von Die Auswirkungen Sind dramatisch gedämpft Wann Wir ignorieren Die Erkennung Grenze Und Wir erhalten ganz a anders Geschichte als Es gibt a stark Beziehung zwischen Protokoll die Ermäßigung In Faktor E Wann Wir nehmen Die Erkennung Grenze hinein Konto richtig, Und Das Wirkung Ist ernsthaft gedämpft Wann Wir ignorieren Die Erkennung Grenze.

Wenn Wir vergleichen Die tatsächlich von- vorhergesagt Grundstücke für Die zwei Modelle, Die Modell mit Die Nachweisgrenze genommen Zu Konto richtig Ist enger um Die 45- Grad Linie für Die unzensiert Beobachtungen. W e sehen Das Die Modell ignorieren Die Erkennung Grenze Ist Nur allgemein weniger genau als Die Beobachtungen Sind mehr verbreiten aus über Die 45- Grad Linie.

Diese Sind unser zwei Fall Studien. In Zusammenfassung, I wollen Zu wiederholen Das Erkennung Grenzen Sind sehr gemeinsam In komisch Und biologisch Studien. Als wir haben gesehen In unser Fall Studien, ignorieren Erkennung Grenzen stellt vor schwer Modell Vorurteile. T Er am meisten wichtig Nachricht Ist Das verwenden Die Spalte Eigentum oder Einstellung hoch Die Erkennung Grenzen In Die Brauch Designer machen Analysieren Erkennung- begrenzt Daten viel Einfacher Zu erhalten richtig.

Dort Sind manche Tücken Zu betrachten aus für In Das Wenn Du sehen Standard Fehler Das Sind unrealistisch klein, oder Modelle Sind unrealistisch genau, Du Mai brauchen Zu zurück aus aus Die quadratisch Bedingungen oder möglicherweise sogar Interaktion Bedingungen.

Wir haben gezeigt Wie Histogramme dürfen Sei gebraucht Zu identifizieren Wann Wir haben a Erkennung Grenze Situation. Es ist nützlich Zu sehen Die Zensur Beziehung zwischen anders Faktoren, Weil Wenn Dort Sind groß Ecken von Die Faktor Raum Wo alle Die Beobachtungen Sind fehlen, Dann Wir Mai nicht Sei fähig Zu fit Interaktionen In Das Region von Die Design Raum.

A gewinnen, Wenn Die Modell sieht aus zu Gut Zu Sei WAHR, gehen voraus Und versuchen a einfacher Modell, zurück aus a bisschen. Das ist alle Wir haben für Du Heute. I wollen Zu Dank Du für dein Aufmerksamkeit.

AusbrechenDAMHIRSCHKUHStatistik und ModellierungBetreff: Verwendung der generalisierten Regression zur Analyse geplanter Experimente mit erkennungsbegrenzten Reaktionen (2023-EU-30MP-1308)

Warum nicht statt AICC ein Lasso oder ein elastisches Netz verwenden, um das Risiko einer Überanpassung zu verringern?