Bonjour. Mon nom est Marque Bailey.
Je suis a senior Analytique Logiciel Testeur à JMP.
Mon collègue aujourd'hui est Jianf un Ding,
a Senior Recherche Statisticien Promoteur.
Je suis en allant à commencer le présentation
à propos quelques nouveau approches à comparaisons que volonté être disponible dans JMP 17.
Je suis en allant à commencer sur. I ne le faites pas savoir pourquoi.
Bonjour. Mon nom est Marque Bailey.
Je suis a Senior Analytique Logiciel Testeur à JMP.
Mon co-présentateur aujourd'hui est Jianfeng Ding,
a Senior Recherche Statisticien et promoteur.
Je suis en allant à commencer avec un introduction à notre sujet.
Avant nous parler à propos spécifique comparaisons,
épouser comme à introduire quelques fondamental notions.
Tous de ce a à faire quand étaient comparer populations.
Comparaison populations est a très commun tâche.
Le comparaison, nous espoir, volonté plomb à a décision entre deux hypothèses.
Échantillons depuis ces populations sont souvent collecté pour le comparaison.
S statistique inférence peut fournir quelques précieux information à propos notre échantillons.
Dans particulier,
est là suffisant preuve à rejeter un hypothèse à propos ces populations.
Un clair déclaration de le hypothèse est
vraiment essentiel à fabrication le correct choix de a test pour ton comparaison.
Ces hypothèses représenter deux mutuellement exclusif idées
que ensemble inclure le seulement possibilités.
Ils sont appelé le alternative et nul hypothèses.
Le alternative hypothèse
est vraiment a déclaration à propos le conclusion que nous vouloir à réclamer.
Il sert à représenter le populations et il volonté exiger suffisant preuve
à renverser le autre hypothèse, lequel est le nul hypothèse.
Il États le opposé conclusion que doit être surmonter avec fort preuve.
Il sert comme a référence pour comparaison et c'est supposé à être vrai.
Ce est important que nous trier ce dehors aujourd'hui parce que historiquement,
statistique entraînement a présenté seulement un chemin de en utilisant ces hypothèses.
Le la plupart souvent enseigné statistique tests
sont utilisé à démontrer a différence entre le populations.
Mais c'est pas le seulement possibilité.
Le manque de compréhension à propos ce distinction
peut plomb à abus ces essais.
Le choix de a test est pas a matière de le données c'est collecté
ou comment le données est collecté.
C'est strictement a matière de le a déclaré hypothèses
pour le but de ton comparaison.
Allons-y regarder à deux similaire exemples que sont en fait fondamentalement différent.
Mais allons commencer dehors où nous avoir a but de démontrant a différence.
Dans ce exemple, allons dire I serait comme à démontrer que a changement dans température
volonté cause a nouveau résultat, un amélioration peut-être.
Nous vouloir à réclamer que a nouveau niveau
de notre réponse volonté résultat depuis changement le processus température.
Bien utiliser a conçu expérience à au hasard échantillon depuis a population
pour le faible température condition et le haut température condition.
Le deux hypothèses sont le nul États
que le température fait pas affecter le résultat.
Ce volonté être notre référence.
Le alternative États notre réclamer,
lequel est le température affecte le résultat,
mais seulement si le preuve est fort assez à rejeter le nul hypothèse.
Tous droite, ce est en allant à son très similaire, mais c'est exactement le opposé.
Dans ce cas, un exemple deux, nous besoin à démontrer équivalents.
Ici nous vouloir à démontrer
que a température changement biche pas cause a nouveau résultat.
Que est, après le changement, nous avoir le même résultat.
Pour exemple, ce pourrait être le cas où
nous sont planification à changement le processus température
à améliorer le rendement,
mais nous vouloir à faire bien sûr que il n'a pas changement
le niveau de un impureté dans notre produit.
Nous conception le même expérience à collecter le même données
et nous avoir le même deux hypothèses, mais maintenant ils sont renversé.
C'est le nul que États que le température affecte le résultat,
que est, il y a a différence,
alors que le alternative États
que notre changement dans température volonté pas affecter le résultat.
Sont nous essai pour a différence ou pour équivalents ?
Vraiment nous voir que depuis ces exemples
que c'est pas le données, le données identique, mais le tests sont différent.
le choix est pas à propos le données,
c'est à propos notre réclamer, ou dans autre mots, comment nous État notre hypothèses.
Aussi souviens-toi que hypothèse tests sont unidirectionnel.
Ils servir seulement à rejeter a nul hypothèse
de a haut probabilité quand c'est FAUX.
dans notre présentation aujourd'hui,
épouser comme à introduire quelques nouveau équivalents tests comme Bien comme quelques
supplémentaire méthodes que sont utilisé quand comparer deux mesures systèmes.
Je suis maintenant en allant à main il sur à Jianfe de à parler à propos équivalence test.
Merci Marque.
Bonjour.
Je suis Jianfeng Ding .
Je suis a Recherche Statisticien Promoteur à JMP.
Dans ce vidéo Je suis en allant à parler à propos le équivalence,
non-inférorité et supériorité test dans JMP 17.
Le classique hypothèse test sur le gauche
est le 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 paramètres données peut être a signifier réponse
pour continu résultat et a proportion quand le résultat variable est binaire.
Thêta t représente le réponse depuis traitement groupe
et thêta zéro représente réponse depuis a contrôle groupe.
Là sont trois types de le classique hypothèse test.
Le d'abord un est le deux côté test et le repos sont un côté essais.
Si toi sont regarder à ce deux côté 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 et thêta zéro
est dans a préspécifié marge delta
et permettre nous à conclure le équivalence avec a spécifié confiance niveau.
Si toi regarder à le équivalence test, le Non hypothèse est que
le traiter déclaration moyens sont différent et le alternative hypothèse est que
le traitement moyens sont dans a fixé delta de un un autre.
Ce est différent depuis le deux côté 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 a 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 types de équivalent taper test
dépendre sur le situation.
Quand devrait nous utiliser ce test volonté être discuté suivant.
Ces tests sont très important dans industrie,
en particulier dans le biotechnologie et pharmaceutique industrie.
Ici sont quelques exemples,
si le but est à montrer que le nouveau traitement
fait pas différer de manière significative depuis le standard un
par plus que quelques petit marge, alors équivalent test devrait être utilisé.
Pour exemple, a générique médicament que est moins cher
et cause peu côté effets que a populaire nom de marque médicament.
Toi serait comme à prouver il a même efficacité comme le nom marque un.
Le typique but dans non-infériorité essai est à conclure
que a nouveau traitement ou processus
est pas de manière significative pire que le standard un.
Pour exemple, a nouveau fabrication processus est plus rapide.
Toi serait faire bien sûr il crée Non plus produit défauts que le standard processus.
A supériorité test essaie à prouver
que le nouveau traitement est substantiellement mieux que le standard un.
Pour exemple, a nouveau engrais a a été développé avec plusieurs améliorations.
Le recherche veut à montrer
que le nouveau engrais est mieux que le actuel engrais.
Comment à ensemble en haut le Hypothèse.
Le graphique sur le gauche,
résumer ces cinq différent taper de équivalent taper tests très bien.
Ce graphique est créé par SAS STAT Collège, John Château et Donna Watts.
Toi peut trouver leur blanc papier facilement sur le la toile.
Choisir lequel test dépendre sur le situation.
Pour chaque de le situation,
le bleu région est le région que toi sont en essayant à établir avec le test.
Pour équivalent 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 entièrement dans le bleu équivalence région.
De même, toi peut conduire a non-infériorité test par vérification
si le confiance intervalle de thêta
mensonges entièrement au-dessus de le inférieur lié si grand thêta est mieux,
ou ci-dessous le supérieur lié si plus petit thêta est mieux.
Ces tests sont disponible dans un chemin pour comparer normale moyens
et en cas d'urgence pour comparer réponse taux.
Le graphique utilisateur interface de équivalence test lancement dialogue
fait il facile pour toi à trouver le taper de test
que correspond à quoi toi sont en essayant à établir.
A [inaudible 00:12:00] dans le rapport résumer le comparaison très bien
et fait il facile pour toi à interpréter le résultats.
Suivant, Je suis en allant à démontrer équivalence essais.
Je suis en allant à utiliser le données ensemble appelé Médicament mesures.
Que est dans JMP échantillon données comme mon d'abord exemple.
Douze différent sujets étaient donné trois différent drogues UN, B et C.
Et 32 continu mesures sont collecté.
Nous aller à thêta YX,
et nous charger le réponse et le traitement.
Ce volonté apporter le un chemin analyse.
Sous le rouge triangle trouver le équivalence test.
Là sont deux options moyens et standard écarts.
Nous sont en allant à se concentrer sur moyens dans ce parler.
nous apporter le dialogue et toi peut sélectionner a test que toi serait comme à conduire
et le graphique volonté représenter le choisi test.
Pour le supériorité ou non-inférorité test là sont deux scénarios.
Grand différence est mieux ou plus petit différence est mieux.
Choisir option dépendre sur le situation.
Toi aussi besoin à spécifier le marge ici pour le delta.
Toi besoin à spécifier le importance niveau alpha comme Bien.
Toi peut choisir utiliser fêtes variance ou inégal variance à courir le test.
Toi peut faire tous paire sage comparaison
ou toi peut faire a comparaison avec le contrôle groupe.
Étaient en allant à courir un équivalence test d'abord
et nous volonté spécifier le trois comme marge pour le différence.
Nous cliquez le D'accord bouton.
Ici est le résultat de le équivalence test.
Depuis ce parcelle forestière toi peut voir que
le confiance intervalle pour le principal différence entre médicament A et médicament C
est complètement contenu dans ce bleu équivalence région.
Le max Valeur p est zéro moins que .05.
Nous peut conclure à le .o5 importance niveau.
Médicament A et médicament C sont équivalent.
Mais si nous regarder à médicament A et B, médicament B et C
nous peut voir leur confiance intervalle de le principal différence
est les deux au-delà ce bleu région.
À le .05 importance niveau
nous ne peut pas conclure que médicament A et B ou médicament B et C sont équivalent.
Supposer médicament C est notre standard médicament et nous serait comme à trouver dehors
si le mesures de médicament A ou B sont beaucoup mieux que médicament C.
Nous peut courir a supériorité test à prouver.
Laisser moi fermer ce contour note d'abord et nous apporter le lancement dialogue encore.
Ce temps étaient en allant à faire a supériorité test.
Pour ce test nous croire grand différence est mieux.
Ici nous garder ce sélection.
A aussi pour ce étude nous vouloir à ensemble médicament C comme notre contrôle groupe.
Nous prise dans le delta, le marge .04 pour ce cas cliquez D'accord bouton.
Ici est le résultat pour supériorité test.
Depuis le forêt parcelle toi peut facilement voir que le confiance intervalle
de signifier différence entre médicament B et C
est complètement contenu dans ce supérieur région
et le Valeur p est moins que .05 .
Nous conclure que médicament B est supérieur à médicament C.
Le confiance intervalle de signifier différence
entre médicament A et C est au-delà ce bleu région.
Le Valeur p ici est beaucoup plus gros que .05 .
nous conclure à le .05 importance niveau
nous ne peut pas conclure que médicament A est supérieur à médicament C.
Ce conclut mon d'abord exemple.
Maintenant Je suis en allant à utiliser a deuxième exemple
à utiliser le relatif risque entre deux proportions
à montrer toi comment à conduire a non-infériorité test.
Apporter le données tableau.
Le procès est essayer à comparer a médicament
appelé FIDAX comme alternative à médicament VANCO pour le traitement de côlon infections.
Les deux drogues avoir similaire efficacité et sécurité.
221 dehors de 224 patients traiter avec FIDAX
réalisé clinique guérir par le fin de étude.
Comparer à 223 dehors de 257 patients traité avec VANCO.
Étaient en allant à lancement Fe Y par X encore.
Et mettre notre réponse et a traitement variable et compte volonté être Frégate.
Depuis le réponse variable est catégorique.
Contingence analyse est produit
et tous le test ici est basé sur classique hypothèse test.
Le Valeur p suggère nous que nous ne peut pas conclure
que clinique Q est différent à travers le médicament.
Mais pour ce étude nous vraiment vouloir à trouver dehors
si médicament FIDAX est pas inférieur à médicament VANCO.
Nous aller à rouge triangle menu, trouver équivalent test.
Là sont risque différence et relatif risque.
Nous sont en allant à choisir relatif risque à faire ce cas.
Dans le lancement dialogue nous choisir non-infériorité test
et le grand rapport est préféré par nous pour ce étude.
Nous aussi besoin à trouver le catégorie intérêt.
Pour ce étude nous sélectionner Oui comme a catégorie de intérêt
et nous aussi besoin à prise dans notre rapport marge ici.
Nous spécifier zéro .09.
Nous cliquez D'accord bouton et ici est le résultat de non-infériorité test.
Depuis le forêt parcelle toi peut facilement voir que
le confiance intervalle pour le relatif risque entre médicament FIDAX et médicament VANCO
est complété contenu dans ce pas inférieur région.
Nous conclure à le .05 importance niveau,
médicament FIDAX est pas inférieur à médicament VANCO.
Ce conclut mon parler et I volonté donner il dos à Marque.
Remercier toi JainFeng.
Je suis en allant à maintenant parler à propos a très commun procédure appelé méthode comparaison.
C'est a standard pratique chaque fois que nouveau mesures sont être développé.
Nous avoir à supposer que là est a standard méthode que existe déjà
à mesure le niveau de quelques quantité.
Peut-être c'est le température ou le puissance de a médicament.
Un nouveau méthode a a été développé pour quelques raison.
Nous vouloir à faire bien sûr que c'est performance est comparable à le standard méthode.
Aujourd'hui là sont beaucoup normes que avoir a été développé
sur beaucoup années par divers organisations à faire bien sûr que ce est fait correctement.
Quoi nous serait espoir est que le nouveau test méthode
idéalement retours le même valeur comme le standard méthode.
Une dispersion parcelle de le test méthode contre le standard méthode
serait montrer que le données accepter avec le identité doubler Y=X .
Mais de cours le données points ne le fera pas parfaitement accepter
parce que de mesures erreur
dans les deux le standard méthode et le nouveau test méthode.
Régression analyse peut déterminer le meilleur ajuster doubler pour ce données
et le estimé modèle paramètres peut être comparé à que identité doubler.
Ce se termine en haut être a déclaré dans le deux hypothèses comme suit.
Le nul hypothèse
dit que ils sont pas comparable et donc un autre chemin de adage que est
le intercepter est pas zéro et le pente est pas un.
Le alternative
représente notre réclamer que le nouveau méthode est comparable
et donc nous serait attendre le intercepter à être zéro et le pente à être un.
Bien comparer par en utilisant régression et ordinaire moindres carrés régression
suppose a peu différent des choses.
Il suppose que Y et X sont linéairement en rapport.
Il suppose que là sont statistique erreurs dans Y mais pas dans X.
Ces statistique erreurs sont indépendant de ET, que est, ils sont constante pour tous ET.
Il y a Non données que exercer excessif influence sur le estimations.
Mais dans le cas de a méthode comparaison,
le données souvent violer un ou plus de ces hypothèses.
Là sont mesures erreurs dans le standard méthode comme Bien.
Aussi, le erreurs sont pas toujours constante,
dans lequel cas nous pourrait observer que le coefficient de variation est constante.
Que est, le erreurs sont proportionnel, mais le standard déviation est pas constante.
Enfin, là sont souvent valeurs aberrantes présent
que peut fortement influence le estimation de ces paramètres.
autre régression méthodes peut aide.
Deming régression volonté simultanément minimiser
le moins quadrillé erreur dans les deux Y et X
et Passage-B ablok régression est a non paramétrique méthode.
C'est basé sur le médian de tous possible par paires pentes
et parce que de que c'est résistant à valeurs aberrantes et non- constante erreurs.
Le Deming régression est disponible dans JMP
à travers le Bivarié plate-forme en utilisant le Ajuster Orthogonal commande.
Deming régression peut estimation le régression plusieurs manières.
Il peut estimation le erreur dans les deux Y et X,
ou il peut supposer que le erreur dans Y et X sont égal,
ou il peut utiliser a donné rapport de erreur de Y à X.
Passage Bablo k est maintenant disponible dans JMP 17,
encore à travers le Bivarié plate-forme en utilisant le Ajuster passage Bablok commande.
Il aussi comprend chèques pour le hypothèses que
le mesures sont très positivement corrélé
et exposition a linéaire relation.
Il y a aussi a comparaison par différence.
Le Parmi- Altman analyse compare
le par paires différences à le par paires moyens
à évaluer le biais entre ces deux mesures.
Le résultats sont présenté dans a dispersion parcelle de Y contre X pour ton examen
et aussi à voir si là sont n'importe lequel anomalies dans le différences.
Ce est tous fourni à travers le Correspondre Paires plate-forme le long de avec
plusieurs hypothèse essais.
Je vais maintenant démontrer ces caractéristiques.
Je suis en allant à montrer toi Deming régression pour exhaustivité
c'est en fait a été disponible dans JMP pour beaucoup années.
Je suis en allant à utiliser a données tableau lequel a mesures pour 20 échantillons
par le standard méthode et alors quatre différent test méthodes.
Je suis juste en allant à utiliser méthode 1.
I commencer ce par sélection le analyser menu ensemble Y par X.
Le standard va dans le X rouler, alors que le méthode un va dans le Y rouler.
Ici nous avoir le dispersion parcelle à commencer avec.
Je vais cliquez le rouge triangle et sélectionner Ajuster Orthogonal
et toi peut voir le différent choix I mentionné juste a moment il y a.
Je suis en allant à avoir JMP estimation le erreurs dans Y et X.
Il y a a meilleur ajuster doubler en utilisant Deming régression le long de avec
information à propos que.
nous peut voir que notre intercepter pour le estimé doubler est fermer à zéro,
notre pente est fermer à un, et dans fait notre confiance intervalle comprend un.
Maintenant Je suis en allant à montrer toi Passage Mauvais bloc.
I retour à le même rouge triangle,
sélectionner Ajuster passage Pas bloc,
et a nouveau équipé doubler est ajouté à mon dispersion parcelle.
Il apparence très beaucoup comme le résultat depuis le Deming régression.
Mais souviens-toi que Passage Pas bloc
est résistant à valeurs aberrantes ou non constante variance.
D'abord nous avoir Kendall's test que est révélateur nous à propos le corrélation.
Positif corrélation est statistiquement significatif.
Nous alors avoir a test, a vérifier pour linéarité,
et nous avoir a haut P- valeur ici indiquant nous ne peut pas rejeter linéarité.
Enfin nous avoir le régression résultats.
I voir que I avoir un intercepter fermer à un, mais le intervalle comprend zéro,
donc I ne peut pas rejeter zéro.
Le pente est fermer à un.
Mon intervalle comprend un, donc I ne peut pas rejeter que le pente est un.
Enfin, en utilisant Passage Pas bloc ce courbe menu,
Je vais cliquez le rouge triangle et sélectionner Parmi- Altman analyse.
Ce lancements le Correspondre Paires plate-forme, donc c'est a séparé fenêtre.
Ici nous sont regarder à le par paires différences
entre méthode un et le standard
contre le signifier de ceux deux valeurs.
Étaient en utilisant ce à évaluer a biais.
Le Parmi- Altman a analyse est signalé à le bas.
Le biais est le moyenne différence.
Nous espoir que c'est zéro.
Le estimation est pas exactement zéro,
mais nous peut voir que le confiance intervalle comprend zéro,
donc nous serait pas rejeter zéro.
Nous aussi alors avoir inférieur limites de accord,
et nous voir que ils aussi inclure zéro comme Bien.
Le standard méthodes que sont utilisé
quand comparer deux mesures méthodes sont maintenant disponible dans JMP 17.
Que conclut notre présentation.
Remercier toi pour regarder.
