Hola, mi nombre es Arcilla Pregonero, y Soy a estadístico revelador en el JMP grupo.
Soy yendo a ser hablando acerca de alguno nuevo características en el distribución plataforma
orientado hacia analizando límite de detección datos.
Es algo I trabajó en con mi colega, Laura Lancaster,
¿Quién es? también a estadística revelador en JMP.
A patada cosas apagado, qué es a limitado detección ¿problema?
Qué son nosotros intentando a ¿resolver?
Él es básico nivel,
a límite de detección problema es cuando nosotros tener alguno medición dispositivo
y es no capaz a proporcionar bien mediciones afuera de alguno límite.
Eso es qué nosotros llamar a límite de detección problema.
F o ejemplo, vamos decir nosotros tener, eran tomando peso mediciones
y eran usando a escala eso es no capaz a hacer mediciones abajo 1 g .
En este instancia, casarse decir eso nosotros tener un más bajo detección límite de 1
porque nosotros no poder medida abajo eso.
Pero en nuestro datos colocar, eran aún grabación aquellos valores como 1.
Porque de aquellos limitaciones,
nosotros ver, nosotros podría tener a datos colocar eso aspecto como este.
En parte, nosotros tener alguno valores de 1 y alguno no-1 valores eso son mucho más grande.
Nosotros no en realidad creer eso aquellos valores son 1s.
Nosotros justo saber eso aquellos son en mayoría 1.
Este datos sucede todo el tiempo en práctica.
Si tú pensar acerca de a veces eran no capaz a medida abajo a más bajo límite.
A veces eran no capaz a medida arriba un superior límite.
Aquellos son ambos limitado detección problemas.
Qué debería nosotros hacer acerca de ¿eso?
Vamos mirar en a en realidad simple ejemplo.
I simulado alguno datos eso son normalmente repartido
con significar 10 y varianza 1 ,
y eran imponente a más bajo detección límite de 9.
Si nosotros mirar en nuestro datos colocar aquí,
nosotros tener alguno valores arriba 9, y nosotros tener alguno 9s.
Cuando nosotros mirar en el histograma,
este definitivamente no mirar normalmente repartido
porque nosotros tener a entero racimo de extra 9s
y nosotros no tener cualquier cosa abajo 9.
Qué sucede si nosotros justo modelo eso datos como ¿es?
Bien, él giros afuera el resultados no lo son eso excelente.
Nosotros conseguir a decente estimar de nuestro ubicación parámetro, nuestro En,
es en realidad cerca a 10, cual es el verdad.
Pero hemos en realidad subestimado eso escala o dispersión parámetro.
Hemos estimado él a ser 0.8,
cuando el verdad es eso nosotros generado él con escala igual a 1.
Tú aviso eso nuestro confianza intervalo para eso escala parámetro
no incluso cubrir 1.
Él no contener el verdad y eso es generalmente no a excelente situación a ser en.
Qué más, si nosotros mirar en el… Nosotros adaptar a puñado de distribuciones,
nosotros adaptar el registro normal, el gama, y el normal,
bueno el normal distribución, cual es qué nosotros usar a generar nuestro datos,
él no lo es incluso competitivo basado en el AIC.
Basado en aquellos AIC valores,
nosotros quería definitivamente elegir a registro normal distribución a modelo nuestro respuesta.
Nosotros no lo han hecho hecho a bien trabajo estimando nuestro parámetros.
Eran no incluso elegir a usar el distribución
eso nosotros generado el datos con.
W e justo lanzar todo aquellos 9s en nuestro datos colocar.
Nosotros ignorado el hecho eso eso fue incompleto información
y eso no trabajar afuera Bueno.
Qué si, en cambio de postergación eso límite de detección,
qué si nosotros justo tirar afuera todo aquellos ¿veces?
Bien, ahora hemos consiguió a menor datos colocar y es sesgado.
Hemos lanzado afuera a grande pedazo de nuestro datos en él.
Nosotros tener a sesgado muestra ahora.
Ahora si nosotros adaptar nuestro normal distribución,
ahora eran sobreestimación el ubicación parámetro,
y eran aún más bajo inseminación el escala parámetro.
Eran de hecho en bastante a malo posición aún,
porque nosotros no lo han hecho hecho a bien trabajo con cualquiera de aquellos parámetros.
Eran aún improbable a elegir lo normal distribución.
Basado en el AIC, el registro normal y el gama distribución
ambos adaptar bastante a poco mejor que el normal distribución.
Eran aún en a malo lugar.
Nosotros intentó lanzamiento afuera el 9 s, y eso no doblar afuera Bueno.
Nosotros intentó justo incluido a ellos como 9 s.
Eso no doblar afuera Bueno cualquiera.
Qué debería nosotros hacer ¿en cambio?
El respuesta es eso nosotros debería tratar
aquellos observaciones en el límite de detección.
Nosotros debería tratar aquellos como censurado observaciones.
Censura es a situación dónde
nosotros solo tener parcial información acerca de nuestro respuesta variable.
Eso es exactamente el situación eran en aquí.
Si nosotros tener un observación en el más bajo detección límite, y aquí Yo he denotado él
D sub L,
nosotros decir eso observación es menos censurado.
Nosotros no decir eso Y es igual a eso límite de detección.
Nosotros decir eso Y es menos que o igual a eso DL valor.
En el voltear lado,
si nosotros tener a superior límite de detección, denotado DE aquí,
aquellos observaciones son bien censurado.
Porque eran no dicho eso Y es igual a eso valor.
Eran justo dicho es en el menos eso valor.
Si estás mirando para más información acerca de cómo a manejar censurado datos,
uno de el referencias eso nosotros sugerir todo el tiempo es
Meeker y Escobar libro Estadístico Métodos para Fiabilidad Datos.
Eso es a en realidad bien descripción general para cómo tú debería tratar censurado datos.
Si tú has usado alguno de el...
Si tú usar alguno de el características y el supervivencia y fiabilidad menú en JMP,
entonces estás familiar con cosas como vida distribución y adaptar vida por INCÓGNITA.
Estos son todo plataformas eso acomodar censura en JMP.
Qué eran entusiasmado acerca de en JMP 17 es ahora
nosotros tener agregado alguno características a distribución entonces eso nosotros poder manejar
este límite de detección problema y distribución como Bueno.
Todo tú tener a hacer es tú agregar
a detección límite columna propiedad a su respuesta variable,
y tú especificar qué el superior y o más bajo detección límite es,
y estás bien a ir, hay nada demás tú tener a hacer.
En mi simulado ejemplo, I tenía a más bajo detección límite de 9.
I quería poner 9 en el más bajo detección límite campo aquí.
Eso es en realidad todo tú tener a hacer.
Por especificando eso detección límite,
ahora distribución es yendo a decir, bueno, I saber eso valores de 9
son de hecho izquierda censurado,
y Soy yendo a hacer estimación contabilidad para eso.
Ahora con eso mismo simulado ejemplo, y este más bajo detección límite especificado,
ahora tú aviso nosotros conseguir a mucho más razonable adaptar el normal distribución.
Ahora nuestro confianza intervalo para ambos el ubicación y escala parámetro
fundas el verdad,
porque nosotros saber, de nuevo, el ubicación era 10 y el escala era 1.
Ahora nuestro confianza intervalos cubrir el verdad
y eso es a mucho mejor situación.
Si tú mirar en el CDF trama aquí,
este es a en realidad bien forma a comparar nuestro ajustado distribución a nuestro datos.
Qué es haciendo es eso rojo línea es el empírico CDF,
y el verde línea es el ajustado normal CDF.
como tú poder decir, ellos son en realidad cerca arriba hasta 9.
Y eso marcas sentido, porque eso es dónde nosotros tener censura.
Eran haciendo a mucho mejor trabajo adecuado estos datos
porque eran adecuadamente manejo eso detección límite.
I justo buscado a punto afuera eso cuando tú has especificado el detección límite,
el informe marcas él en realidad claro eso hemos usado él.
Como tú poder ver aquí,
él dice el ajustado normal distribución con detección límites,
y él dejemos tú saber exactamente cual detección límites él usado.
Ahora no solo son,
porque eran haciendo a mejor trabajo estimando nuestro parámetros,
cosas como inferencia acerca de aquellos parámetros es más confiable.
Si nosotros hacer algo como nosotros mirar en el distribución perfilador
ahora nosotros poder confianza estos
inferencia basado en nuestro ajustado distribución,
nosotros sentir mucho mejor acerca de Confiar cosas como el distribución perfilador.
Con el simulado ejemplo, si nosotros usar nuestro ajustado normal distribución,
Porque nosotros adecuadamente manejado censura,
nosotros saber eso acerca de 16 % de el observaciones
son descendente abajo eso más bajo detección límite.
I también buscado a punto afuera eso
cuando tú tener detección límites en distribución,
ahora eran solo capaz a adaptar a subconjunto de el distribuciones
eso tú quería normalmente ver en el distribución plataforma.
Nosotros poder adaptar el normal, exponencial, gama registro, normal, Wisconsin y beta.
Todo de aquellos distribuciones apoyo censura
o limitado detección en distribución.
Pero si tú eran usando algo como el mezcla de normales,
Bueno, eso eso no extender Bueno a sensor datos.
Estás no yendo a ser capaz a adaptar eso cuando tú tener a límite de detección.
I también buscado a punto afuera si tú tener JMP pro
y estás usado a usando el generalizado regresión plataforma,
generalizado regresión reconoce eso exacto mismo columna propiedad.
El detección límite columna propiedad
es conocido por ambos distribución y generalizado .
Uno de el en realidad lindo cosas acerca de
este nuevo característica es eso él obtiene transportado en a el capacidad plataforma.
Si tú hacer su adaptar y distribución, y tú lanzamiento capacidad,
ahora eran yendo a conseguir más confiable capacidad resultados.
Vamos decir eso eran fabricación a nuevo droga,
y nosotros desear a medida el cantidad de suma impureza en el droga.
Nuestro datos podría mirar como qué nosotros tener aquí.
Nosotros tener a racimo de pequeño valores, y nosotros tener a más bajo detección límite de 1 mg.
estos valores de 1 eso son resaltado aquí,
nosotros no en realidad pensar aquellos son 1.
Nosotros de hecho pensar es algo... Nosotros saber eso es algo menos que 1 .
Nosotros tener un superior especificación límite de 2.5 miligramos.
este es a situación dónde nosotros tener ambos especulación límites y detección límites.
Es en realidad fácil a especificar aquellos en el columna propiedades.
Aquí hemos definido nuestro superior especulación límite como 2.5
Y nuestro más bajo detección límite de 1.
Ahora todo tú tener a hacer es justo
dar distribución el columna eso tú desear a analizar.
Él sabe exactamente cómo a manejar eso respuesta variable.
Vamos mirar en el capacidad resultados.
Ahora, porque hemos adecuadamente manejado eso límite de detección,
nosotros confianza eso nuestro registro normal adaptar es bien.
Nosotros ver eso nuestro Ppk, valor aquí es 0.546 .
Eso es no muy bien.
Generalmente tú quería desear a Ppk arriba 1.
Este es narración a nosotros eso nuestro sistema es no muy capaz.
Hemos consiguió alguno problemas eso nosotros podría necesidad a clasificar afuera.
Una vez de nuevo, qué quería tener sucedió si nosotros tenía ignorado eso límite de detección
y nosotros tenía justo tratados todo aquellos 1s como si ellos realmente eran 1s.
Bien, vamos llevar a mirar.
Nosotros hacer nuestro adaptar, postergación el límite de detección, y nosotros conseguir a Ppk de arriba 1.
Residencia en este adaptar,
nosotros quería decir eso nosotros de hecho tener a bien capaz sistema,
porque a Ppk de 1 es no también malo.
Él podría ser un aceptable valor.
Por postergación eso límite de detección,
hemos bureado nosotros mismos en pensamiento nuestro sistema es más capaz que él en realidad es.
I pensar este es a Frío ejemplo,
porque nosotros tener a más bajo detección límite, cual puede dirigir tú a creer,
Bueno, I podría ser tal vez postergación el límite de detección quería ser conservador,
porque Soy sobreestimación el ubicación parámetro.
Eso es verdadero, cuando nosotros ignorar el límite de detección,
eran sobreestimación eso ubicación parámetro.
Pero el problema es eran gravemente desestimación el escala parámetro.
Eso es qué marcas a nosotros hacer malo decisiones afuera en el cola
de eso distribución.
Por postergación eso límite de detección,
hemos en realidad conseguido nosotros mismos en a malo situación.
Justo a resumir,
es en realidad importante a reconocer cuando nuestro datos característica a límite de detección.
I pensar es fácil a pensar de,
a veces nosotros pensar acerca de datos conjuntos dónde
tal vez hemos analizado el respuesta como es en el pasado,
cuando en realidad, tal vez nosotros debería tener equilibrado para a límite de detección.
Porque como nosotros justo sierra, cuando nosotros ignorar aquellos límites, nosotros conseguir engañoso encaja.
Entonces nosotros puede hacer malo decisiones basado en aquellos engañoso encaja.
Como nosotros sierra en nuestro ejemplo,
nosotros consiguió malo estimaciones o el ubicación y escala parámetros,
y nuestro Ppk estimar era casi doble qué él debería tener estado.
Pero qué eran entusiasmado acerca de en JMP 17
es eso el distribución plataforma marcas él en realidad fácil a evitar estos peligros
y a analizar este tipo de datos adecuadamente.
Todo tú tener a hacer es especificar eso detección límite columna propiedad,
y distribución sabe exactamente qué a hacer con eso.
Hoy nosotros solo miró en más bajo detección límites,
pero tú poder justo como Bueno tener superior detección límites como Bueno.
En hecho, tú poder tener ambos.
Como I dicho, hay solo seis distribuciones eso actualmente apoyo
censura adentro de el distribución plataforma.
Pero aquellos son también el seis mayoría importante distribuciones para estos tipos de datos.
Él en realidad es un bien selección de distribuciones.
Eso es él.
Yo solo quería a agradecer tú para su tiempo
y alentar tú a controlar afuera estos mejoras a el distribución plataforma.
Gracias.
