Bonjour, et accueillir à notre présentation, Approches à Comparaisons avec JMP® 17. Mon nom est Marque Bailey. Je suis a senior Analytique Logiciel Testeur, et mon co- présentateur aujourd'hui est Jianfeng Ding, a Senior Recherche Statisticien Promoteur. Avant nous obtenir dans le nouveau caractéristiques, étaient en allant à prendre a moment à faire bien sûr que tout le monde a le approprié arrière-plan à apprécier ces nouveau méthodes.
Ce a à faire avec en utilisant statistique inférence quand étaient en essayant à comparer deux populations. Ce est a très commun tâche, et le comparaison généralement conduit à a décision entre deux idées à propos ces populations. Si nous pourrait observer le populations dans leur intégralité, nous ne serait pas besoin statistiques, mais c'est pas généralement le cas. Alors, nous avoir à travail avec échantillons depuis le populations. Statistique inférence peut fournir quelques vraiment précieux information à propos ceux échantillons.
Dans particulier, est là suffisant preuve à rejeter un idée à propos le deux populations ? Donc a clair déclaration de ces idées ou hypothèses est essentiel à fabrication le correct choix pour le test et aussi pour le correct interprétation. Donc allons parler a petit peu à propos le idées ou hypothèses que sont partie de ces statistique essais. Le alternative et nul hypothèses, comme ils sont connu, représenter mutuellement exclusif déclarations à propos ces populations, et Non autre hypothèse est possible.
Pour exemple, un déclaration pourrait être pour population A et population B que leur moyens sont égal. Le autre idée est que ils sont pas égal. Ceux deux idées ou hypothèses sont mutuellement exclusif et Non autre hypothèse est possible. Qu'est-ce que le rôle de ces deux des idées ? Le alternative hypothèse États le conclusion que nous serait comme à réclamer. Il représente le populations et il volonté exiger suffisant preuve dans le données à renverser le autre hypothèse.
Le autre un est appelé le nul hypothèse. Il États le opposé conclusion que doit être surmonter par fort preuve. Il sert comme a référence pour ce comparaison. C'est supposé à être vrai. Maintenant, actuellement, il y a quelque peu de a malentendu dans hypothèse essai dans que il seulement pense à propos comparaison dans un direction. C'est parce que historiquement, ce est le chemin il était présenté dans entraînement.
Que la plupart souvent enseigné test est utilisé à démontrer que il y a a différence entre deux populations. Le résultant manque de compréhension peut plomb à a utiliser de ces essais. À être clair, le choix de le test est pas a matière de quoi données est collecté ou comment le données est collecté. C'est entièrement à propos le a déclaré hypothèses pour le but de ton comparaison. Allons-y regarder à ces deux possibilités. Allons-y dire que le but de notre comparaison est à démontrer a différence.
Nous vouloir à explicitement État ces idées à faire bien sûr le test est clair. Dans le d'abord exemple, I vouloir à démontrer que a température changement causes a nouveau résultat. Que est, là est a différence. Épouser comme à réclamer que le nouveau niveau de le réponse volonté résultat depuis a changement dans le processus température. Peut-être nous attendre a plus haut rendement ou épouser comme à montrer plus stabilité. A conception expérience est utilisé à au hasard échantillon depuis le population pour a faible- température condition et depuis a population de a haut- température condition.
Le deux hypothèses pour ce test, le nul hypothèse États que le température fait pas affecter le résultat. Souviens-toi, c'est notre référence et nous supposer il à être vrai. Le alternative hypothèse est notre idée. Température affecte le résultat, mais nous peut décider ce seulement si le preuve est fort assez à rejeter le nul hypothèse. Maintenant, allons changement que. Allons-y inverse que. Allons-y dire que dans ce comparaison, I vouloir à démontrer équivalence. Dans le deuxième exemple, I vouloir à montrer que a température changement fait pas cause a changement dans le résultat.
Que est, le résultat, soit chemin, est équivalent. Nous vouloir à réclamer que a prévu changement dans le processus température volonté améliorer le rendement mais pas affecter le niveau de un impureté de le produit. Nous conception le même expérience, collecter le même échantillons, mais maintenant notre hypothèses sont commuté. Le nul hypothèse est que le température affecte le résultat. C'est notre nouveau référence, nous toujours supposer il à être vrai, alors que le alternative hypothèse États que le température fait pas affecter le résultat, le impureté niveau.
Mais nous peut faire que réclamer seulement si le preuve est fort assez à rejeter le nul. Alors fais-le I test pour a différence ou pour équivalence? Le clé est comment toi État ton hypothèses. Ces deux exemples, I pense toi peut voir, utiliser identique données mais différent essais. Le choix de le test est pas à propos le données. C'est à propos le réclamer que nous vouloir à faire et comment nous État que correctement dans le hypothèse. Souviens-toi que statistique tests sont unidirectionnel. Que est, nous peut rejeter a nul ou pas. Si le test est à rejeter a nul hypothèse avec a haut probabilité quand c'est FAUX.
Maintenant, allons obtenir à le nouveau caractéristiques dans JMP® 17. Jianfeng volonté maintenant présent le équivalence tests, et quand elle est fini, Je vais présent méthode comparaison.
Maintenant, Je suis en allant à partager mon écran. Bonjour, mon nom est Jianfeng Ding. Je suis a Recherche Statistique Promoteur à JMP® 17. Dans ce vidéo, Je suis en allant à parler à propos le Équivalence, Non-infériorité, et Supériorité Test dans JMP® 17. Le basique hypothèse test sur le gauche est a 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 paramètre thêta peut être a signifier réponse pour continu résultat et a proportion quand le résultat variable est binaire. Thêta T représente réponse depuis traitement groupe et thêta zéro représente le réponse depuis a contrôle groupe. Là sont trois types de le basique hypothèse test. Le d'abord un est recto verso test et le repos sont un- côté essais. Si toi regarder à le recto verso 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, thêta zéro est dans a pré- spécifié marge delta et permettre nous à conclure équivalence avec a spécifié confiance niveau. Si toi regarder à le équivalence test, le Non hypothèse est que le traitement 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 équivalence taper essais. 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 par plus que quelques petit marge, alors équivalence test devrait être utilisé. Pour exemple, a générique médicament que est moins cher et cause peu côté effets que a populaire nom- marque médicament. Toi serait comme à prouver il a même efficacité comme le nom- de marque un. Le typique but dans non-infériorité essai est à conclure que a nouveau traitement processus ou produit est pas de manière significative pire que le standard un.
Pour exemple, a nouveau fabrication le processus est plus rapide. Toi serait faire bien sûr il crée Non plus produit défauts que le standard processus. A supériorité test essayer 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 chercheurs vouloir à montrer que le nouveau engrais est mieux que le actuel engrais. Comment à ensemble en haut le hypothèse? Le graphique sur le gauche résume cinq différent taper de équivalence taper tests très bien.
Ce graphique est créé par notre SAS/STAT® collègues, John Château, et Donna Watts. Toi peut trouver leur blanc papier sur ce sur le la toile. Choisir lequel test dépendre sur le situation. Pour chaque de ce situation, le région que nous sont en essayant à établir avec le test est montré dans bleu. Pour équivalence 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 dans 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 plus grand thêta est mieux ou ci-dessous le supérieur lié si plus petit thêta est mieux. Ces tests sont disponible dans JMP® 17 pouces un chemin pour comparer normale moyens et dans contingence pour comparer réponse taux. Le graphique utilisateur interface de équivalence test lancement dialogues fait il facile pour toi à trouver le taper de test que correspondre quoi toi sont en essayant à établir.
A forêt parcelle dans le rapport résumer le comparaison très bien et fait il facile pour toi à interpréter le résultats. Suivant, Je suis en allant à faire a démo à propos équivalent test, supériorité test, et non-infériorité essais. Je suis en allant à utiliser a données ensemble appelé le Médicament Mesures que est dans le JMP échantillon données bibliothèque. Douze différent sujets étaient donné trois différent drogues UN, B, et C, et continu mesures étaient fait. I d'abord lancé Ajuster Y par X et mettre le mesures comme Y et médicament taper comme X facteur.
Ce volonté apporter le un- chemin analyse. Sous le rouge triangle menu, allons d'abord trouver équivalent test et là sont le deux options, moyens, et standard écarts. Étaient en allant à se concentrer sur moyens pour ce exemple. Ce volonté apporter le équivalence lancement dialogue. Dans ce section, toi peut choisir lequel test toi serait comme à conduire, et le graphique représente le choix de le choisi test. Pour supériorité et non-infériorité test, là sont deux scénarios.
Un est grand différence est mieux. Un autre est petit différence est mieux. Choisir lequel un dépendre sur le situation. Toi besoin à spécifier le delta ou le marge pour le test. Toi aussi besoin à spécifier le confiance niveau alpha pour le test. Toi peut soit choisir le Parties Variance ou Inégalé variance à courir le test. Pour ce exemple, nous courir le équivalent test d'abord et nous spécifier trois comme a différence. Nous sont en allant à faire le équivalent test pour tous le paires. Cliquez d'accord et il volonté apporter le équivalent test résultat.
Sur le haut, il est le statistique détail pour le équivalence test, et le bas c'est a forêt parcelle. Toi avis là sont deux régions. Le bleu région sont le équivalence région et le rouge sont le non- équivalence région. Le lignes ici représenter le confiance intervalle de le signifier différence entre deux groupes. Si nous regarder à ce doubler, ce est le confiance intervalle de le signifier différence entre médicament A et C, et toi voir ce doubler est complètement contenu à l'intérieur ce bleu région. Nous regarder à le P valeur de le équivalence test que est de 0,02 lequel est plus petit que 0,05. Donc à ce 5 % importance niveau, nous peut déclarer que médicament A et C sont équivalent.
Mais quand toi regarder à le confiance intervalle de a signifier différence entre médicament A et B, et médicament B et C, ils sont doublé au-delà ce bleu région. Alors nous conclure à le 5 % importance niveau médicament A et B, et médicament B et C, nous ne peut pas conclure ils sont équivalent. Suivant, si nous supposer médicament C est a standard médicament et toi serait comme à trouver dehors si médicament A et B sont mieux que médicament C, que faire nous vouloir à faire a supériorité test. Laisser moi fermer ce contour note pour maintenant et nous lancement le équivalent test encore et nous cliquez Moyens.
Ce temps étaient en allant à courir supériorité test. Nous cliquez le supériorité test et nous préférer grand différence et nous spécifier 0,4 comme notre marge. Ce temps nous besoin à ensemble médicament C comme notre contrôle groupe et cliquez D'ACCORD. Ce volonté apporter le supériorité test. Depuis ce forêt parcelle toi peut voir le confiance intervalle de a signifier différence entre médicament B et C est complètement contenu à l'intérieur ce bleu région. Donc nous conclure que à le 5 % confiance niveau, nous peut déclarer que le B est supérieur à médicament C. Mais nous ne peut pas faire a même conclusion à médicament A et C. Ce conclut mon d'abord exemple.
Le suivant exemple volonté montrer comment à mener une non-infériorité test pour le relatif risque entre deux proportions. Laisser moi ouvrir le données tableau. A randomisé procès est à comparer médicament FIDAX comme un alternative à médicament VENCO pour le traitement de côlon infections. Le deux drogues avoir similaire efficacité et sécurité. Deux cent vingt- un dehors de 225 patients traité avec FIDAX réalisé clinique Q par le fin de le étude, comparé à 223 sur de 257 patients traité avec VENCO.
Nous lancement Ajuster Y par X encore et nous prise dans Q comme Y et médicament comme X facteur et compte comme a fréquence et cliquez D'ACCORD. Volonté apporter le contingence analyse. Depuis le Probabilité Rapport test, Pearson test, et Fisher's Exactement test, ils tous indiquer que là est Non grand différence entre ces deux drogues. Mais nous serait comme à trouver dehors si médicament FIDAX est pas inférieur à médicament VENCO. Nous aller à le en haut rouge triangle et apporter le équivalent test. Là sont deux options. Un est le risque différence et un est relatif risque. Pour ce exemple, nous choisir relatif risque.
Encore, apporter ce équivalent test lancement dialogue. Pour ce exemple, étaient en allant à courir non-infériorité test. A gagner, nous préférer grand ratios. Nous spécifier 0,9 comme notre marge et nous soins à propos le traitement effet. Donc nous devrait choisir Oui et alors nous cliquez D'ACCORD. Donc ce apporter le non-infériorité test. Depuis le forêt parcelle, nous peut voir le confiance intervalle de le relatif risque est complètement contenu dans ce bleu région, et le P valeur pour le non-infériorité test est très petit. Donc nous conclure à le 5 % significatif niveau, le médicament FIDAX est pas inférieur à médicament VENCO. Ce conclut mon parler et I volonté donner dos à Marque. I besoin à arrête ça partager.
Remercier toi, Jianfeng. Maintenant dans le dernier partie de notre présentation, Je suis en allant à parler à propos un autre comparaison où nous vouloir à comparer le résultats ou mesures depuis deux différent méthodes de mesure quelques quantité. Nous supposer que il y a a standard méthode que déjà existe. Il a a été validé. Nous peut utiliser il à mesure le niveau de quelques quantité. Que pourrait être le température ou le puissance de a médicament. Mais pour quelques raison, nous avons développé a nouveau méthode pour le même résultat.
Nous doit comparer c'est performance à le standard méthode avant nous utiliser il. Ce est a long debout problème. Ce comparaison a a été codifié pour a long temps par nombreux international organisations. J'ai répertorié a peu de eux sur ce glisser. Donc ce est a très Bien étudié et un établi comparaison. Dans ce cas, étaient en allant à comparer à identité. Étaient en allant à comparer ces deux méthodes où idéalement le test méthode serait donner nous le même valeur comme le standard méthode. Alors nous parcelle le données en utilisant a nuage de points. Nous avoir le test méthode sur le verticale axe et le standard méthode résultat sur le horizontal axe. Nous peut même parcelle le identité doubler où Y est égal à X pour référence.
Idéalement, nous serait obtenir le résultat depuis les deux méthodes, mais que ne le fera pas arriver parce que de mesures erreur dans les deux méthodes. Bien utiliser régression analyse à déterminer le meilleur ajuster pour ce doubler où nous avoir le test méthode contre le standard méthode. Alors le estimé paramètres pour notre modèle peut être comparé à le identité doubler. Le nul hypothèse, nous commencer avec le idée que ils sont pas le même. Donc le intercepter de ce doubler est pas zéro ou le pente est pas un ou peut-être les deux. Dans autre mots, le résultats sont pas équivalent.
Le alternative, lequel nous serait comme à réclamer est que ils sont équivalent. Donc là nous État que le intercepter devrait être zéro et le pente devrait être un. À faire ce comparaison en utilisant régression, nous avoir à postulat a modèle. Dans ce cas, c'est a simple linéaire régression modèle. Nous avoir a constante terme UN, a proportionnel terme B fois X. Étaient en allant à estimation ceux paramètres A et Groupe utiliser notre hypothèses à décider. Nous aussi avoir a terme epsilon, et que représente le mesures erreur, le aléatoire variation. En utilisant linéaire régression, nous supposer que le Y et le X sont linéairement en rapport.
Nous supposer que le statistique erreurs que epsilon sont dans ET, pas dans X. Nous aussi supposer que ceux erreurs sont distribué dans a chemin que sont indépendant de le réponse. Dans autre mots, le statistique erreur est le même à travers le entier gamme de ce méthode. Aussi, que Non données exercer n'importe lequel excessif influence sur ces estimations. Bien, dans méthode comparaison, nous généralement violer ces hypothèses. D'abord de tous, là est mesures erreur dans le standard méthode comme Bien.
Aussi, souvent le erreurs sont pas constante. Que est, nous observer a constante coefficient de variation mais pas a constante standard déviation. Valeurs aberrantes sont présent que peut fortement influence le estimation. Autre régression méthodes sont requis dans tel a cas. Le Deming régression simultanément minimise le moins carré erreur dans les deux Y et X. C'est approprié pour ce cas. Le Passage- Bloc régression est a non paramétrique méthode c'est basé sur le médian de tous possible par paires pentes.
C'est résistant à valeurs aberrantes et non constante erreurs. Allons-y parler à propos chaque de ces brièvement. Le Deming régression est fourni dans le Bivarié plate-forme à travers le Ajuster Orthogonal Commande. Ce a a été disponible dans JMP pour beaucoup années. Le Deming régression peut estimation le erreurs dans Y et X, supposer que le erreurs dans Y et X sont égal, ou utiliser a donné rapport de Y à X erreur.
Passage- Bloc régression est nouveau. JMP® 17 introduit ce méthode dans le Bivarié plate-forme à travers le Ajuster Passage-Bablock commande. Ce commande aussi comprend chèques pour le hypothèses que le mesures sont très positivement corrélé et exposition a linéaire relation. Méthode comparaison souvent comprend a comparaison par différence. Le Parmi- Altman analyse compare le par paires différences comme Y à le par paires moyens comme X à évaluer biais entre le deux valeurs.
Le résultats sont présenté dans a nuage de points de Y contre X pour ton examen et aussi à identifier n'importe lequel anomalies. Ce se produit dans le Correspondance Paires plateforme. Le Correspondance Paires plate-forme a a été partie de JMP pour beaucoup années comme Bien, mais le Bland-Altman test est a nouveau ajout. Le rapport aussi présente le hypothèse test. Maintenant Identifiant comme à démontrer ces deux méthodes. Comme I dit, Deming régression a a été disponible pour a long temps, mais pour 'complétude' saké, Je suis en allant à démontrer il ici à côté de le nouveau méthodes.
I sélectionner depuis le Analyser menu, Ajuster Y par X. Je suis en allant à comparer test Méthode 1 à mon standard méthode. Le standard méthode va dans le X rôle et le nouveau test méthode va dans le Y rôle. Toi pourrait évaluer plus que un test méthode à le même temps. Voici mon parcelle. Initialement, I voir a dispersion parcelle. I attendre ces deux à accepter très Bien. I attendre à voir que ils suivre ce diagonale chemin, que ils sont linéaire, et donc en avant. Je vais cliquez le rouge triangle suivant à Bivarié et sélectionner Ajuster Orthogonal.
Dans ce cas, I ne le faites pas vraiment savoir que le écarts sont égal ou I ne le faites pas avoir n'importe lequel avant information que I pourrait spécifier a rapport. Alors je vais avoir JMP estimation le erreurs dans les deux. Je vais utiliser le d'abord option ici. Maintenant nous avoir le équipé doubler en utilisant Deming régression. Ci-dessous que nous avoir le rapport. Le rapport comprend un estimation de le intercepter. Nous peut voir c'est petit et fermer à zéro. Nous avoir un estimation pour le pente.
En utilisant le confiance intervalle, nous voir que il comprend un, lequel nous serait attendre si le test méthode est d'accord avec le standard. C'est Deming régression. Maintenant, étaient en allant à prendre a regarder à le nouveau méthodes Passage-Bablock régression dans Lame- Altman. Même commencer, sélectionner Analyser, et alors sélectionner Ajuster Y par X. Je suis en allant à utiliser le Rappel bouton ici. I vouloir à comparer Méthode 1 à le standard, mais Je suis en allant à utiliser a nouveau régression technique.
Je vais cliquez sur le rouge triangle et sélectionner Ajuster Passage-Bablock. Il y a en fait deux lignes ici. Il y a a rouge doubler que représente le meilleur- ajuster doubler en utilisant le Passage-Bablock régression. Mais il y a aussi, pour notre référence, a doubler que représente où y est égal à x. C'est dur à voir. Je suis en allant à utiliser le loupe outil à amplifier a peu fois. Maintenant toi peut voir que là sont, dans fait, deux séparé lignes. Un est le identité et un est le ajuster, mais ils chevaucher assez a peu. Ces sont assez similaire.
Dans le numérique rapports, d'abord I avoir a test pour le haut positif corrélation. Étaient en utilisant Kendall's Oui, et nous peut voir que il est très significatif. Nous rejeter le idée que ils sont pas fortement corrélé. Suivant, nous avoir a test de linéarité. Ici, ce test suppose que ils sont linéaire et w avant regarder pour fort preuve contre que. Mais nous avoir a très haut P valeur ici, donc nous faire pas rejeter le hypothèse que ils sont linéaire. Enfin, nous avoir le paramètre estimations par en utilisant Passage -Bablock régression, nous avoir le indiquer estimation, nous avoir le intervalle estimation.
Pour le intercepter, que intervalle comprend zéro, donc nous ne peut pas rejeter un intercepter de zéro. Nous avons le pente est contenu dans un intervalle que comprend un. De la même manière, nous ne peut pas rejeter que le pente de que doubler est égal à un. Allons-y dire épouser aussi comme à comparer ces deux méthodes par différence. À faire que, I cliquez sur le rouge triangle pour le options de le Ajuster Passage-Bablock résultats, et ici nous voir le commande Bland-Altman analyse. Il prend tous le information ici et lancements correspondre paires avec le supplémentaire information dans le Bland-Altman analyse.
Le parcelle est montrant nous sur le Y axe le par paires différence entre le méthode un et le standard méthode, et c'est tracé contre sur le horizontal axe est le signifier de ceux deux valeurs. Le Bland-Altman analyse est utile parce que il donne nous un idée à propos le biais. Donc ici I avoir un estimation de le biais est négatif 0,113, mais nous peut voir que le intervalle estimation de le biais comprend zéro, donc nous ne peut pas rejeter le idée que le biais est égal à zéro et donc sur. Maintenant nous avoir dans JMP® 17, a beaucoup plus complet ensemble de outils pour comparer différent test méthodes. Que conclut notre présentation. Remercier toi.
