你好， 欢迎 到 我们的 推介会， 方法 到 比较 和 JMP® 17。 我的 姓名 是 标记 贝利。 我是 a 高级的 分析 软件 测试员， 和 我的 共同 主持人 今天 是 Jianfeng 丁， a 高级的 研究 统计员 開發人員。 前 我们 得到 进入 这 新的 特征， 是 去 到 拿 a 片刻 到 制作 当然 那 每个人 有 这 恰当的 背景 到 欣赏 这些 新的 方法。
这 有 到 做 和 使用 统计 推理 什么时候 是 尝试 到 比较 二 人口。 这 是 a 非常 常见的 任务， 和 这 比较 通常 线索 到 a 决定 之间 二 想法 关于 这些 人口。 如果 我们 可以 观察 这 人口 在 他们的 整体， 我们 不会 需要 统计数据， 但 那是 不是 通常 这 案件。 所以，我们 有 到 工作 和 样品 从 这 人口。 统计 推理 能 提供 一些 真的 有价值的 信息 关于 那些 样品。
在 特别的， 是 那里 充足的 证据 到 拒绝 一 主意 关于 这 二 人口？ 所以 a 清除 陈述 的 这些 想法 或者 假设 是 基本的 到 制作 这 正确的 选择 为了 这 测试 和 还 为了 这 正确的 解释。 所以 让我们 讲话 a 小的 少量 关于 这 想法 或者 假设 那 是 部分 的 这些 统计 測試。 这 选择 和 无效的 假设， 作为 他们是 已知， 代表 相互 独家的 语句 关于 这些 人口， 和 不 其他 假设 是 可能的。
为了 例子， 一 陈述 可能 是 为了 人口 A 和 人口 B 那 他们的 方法 是 平等的。 这 其他 主意 是 那 他们是 不是 平等的。 那些 二 想法 或者 假设 是 相互 独家的 和 不 其他 假设 是 可能的。 什么是 这 角色 的 这些 二 想法？ 这 选择 假设 州 这 结论 那 我们 会 喜欢 到 宣称。 它 代表 这 人口 和 它 将要 要求 充足的 证据 在 这 数据 到 推翻 这 其他 假设。
这 其他 一 是 称为 这 无效的 假设。 它 州 这 反对 结论 那 必须 是 克服 经过 强的 证据。 它 服务 作为 a 参考 为了 这 比较。 它是 假定 到 是 真的。 现在， 现在， 有 有些 的 a 误解 在 假设 测试 在 那 它 仅有的 认为 关于 比较 在 一 方向。 那是 因为 从历史上看， 这 是 这 方式 它 曾是 呈现 在 训练。
那 最多 经常 教 测试 是 用过的 到 证明 那 有 a 不同之处 之间 二 人口。 这 导致 缺少 的 理解 能 带领 到 a 使用 的 这些 測試。 到 是 清除， 这 选择 的 这 测试 是 不是 a 事情 的 什么 数据 是 集 或者 如何 这 数据 是 集。 它是 完全 关于 这 声明 假设 为了 这 目的 的 你的 比较。 让我们 看 在 这些 二 可能性。 让我们 说 那 这 目标 的 我们的 比较 是 到 证明 a 不同之处。
我们 想 到 明确地 状态 这些 想法 到 制作 当然 这 测试 是 清除。 在 这 第一的 例子， I 想 到 证明 那 a 温度 改变 原因 a 新的 结果。 那 是， 那里 是 a 不同之处。 我们会 喜欢 到 宣称 那 这 新的 等级 的 这 回复 将要 结果 从 a 改变 在 这 过程 温度。 也许 我们 预计 a 更高 屈服 或者 我们会 喜欢 到 展示 更多的 稳定。 A 设计 实验 是 用过的 到 随机 样本 从 这 人口 为了 a 低的- 温度 状况 和 从 a 人口 的 a 高的- 温度 健康）状况。
这 二 假设 为了 这 测试， 这 无效的 假设 州 那 这 温度 做 不是 影响 这 结果。 记住， 它是 我们的 参考 和 我们 认为 它 到 是 真的。 这 选择 假设 是 我们的 主意。 温度 影响 这 结果， 但 我们 能 决定 这 仅有的 如果 这 证据 是 强的 足够的 到 拒绝 这 无效的 假设。 现在， 让我们 改变 那。 让我们 撤销 那。 让我们 说 那 在 这 比较， I 想 到 证明 等价。 在 这 第二 例子， I 想 到 展示 那 a 温度 改变 做 不是 原因 a 改变 在 这 结果。
那 是， 这 结果， 任何一个 方式， 是 相等的。 我们 想 到 宣称 那 a 计划 改变 在 这 过程 温度 将要 提升 这 屈服 但 不是 影响 这 等级 的 一个 杂质 的 这 产品。 我们 设计 这 相同的 实验， 收集 这 相同的 样品， 但 现在 我们的 假设 是 切换。 这 无效的 假设 是 那 这 温度 影响 这 结果。 它是 我们的 新的 参考， 我们 仍然 认为 它 到 是 真的， 尽管 这 选择 假设 州 那 这 温度 做 不是 影响 这 结果， 这 杂质 等级。
但 我们 能 制作 那 宣称 仅有的 如果 这 证据 是 强的 足够的 到 拒绝 这 无效的。 所以 I 测试 为了 a 不同之处 或者 为了 等价？ 这 钥匙 是 如何 你 状态 你的 假设。 这些 二 例子， I 思考 你 能 看， 使用 完全相同的 数据 但 不同的 測試。 这 选择 的 这 测试 是 不是 关于 这 数据。 它是 关于 这 宣称 那 我们 想 到 制作 和 如何 我们 状态 那 适当地 在 这 假设。 记住 那 统计 测试 是 单向。 那 是， 我们 能 拒绝 a 无效的 或者 不是。 如果 这 测试 是 到 拒绝 a 无效的 假设 和 a 高的 可能性 什么时候 它是 错误的。
现在， 让我们 得到 到 这 新的 特征 在 JMP® 17。 Jianfeng 将要 现在 展示 这 等价 测试，以及 什么时候 她是 完成的， 患病的 展示 方法 比较。
现在， 我是 去 到 分享 我的 屏幕。 你好， 我的 姓名 是 Jianfeng Ding. 我是 a 研究 统计 开发人员 在 JMP® 17。 在 这 视频， 我是 去 到 讲话 关于 这 等价， 非劣效性， 和 优势 测试 在 JMP® 17。 这 基本的 假设 测试 在 这 左边 是 a 测试 那 最多 质量 专业人士 是 熟悉的 和。 它 是 经常 用过的 到 比较 二 或者 更多的 组 的 数据 到 决定 无论 他们 是 统计上 不同的。
这 范围 西塔 能 是 a 意思是 回复 为了 连续的 结果 和 a 部分 什么时候 这 结果 多变的 是 二进制。 西塔 T 代表 回复 从 治疗 团体 和 西塔 零 代表 这 回复 从 a 控制 团体。 那里 是 三 类型 的 这 基本的 假设 测试。 这 第一的 一 是 双面 测试 和 这 休息 是 一- 双面 測試。 如果 你 看 在 这 双面 测试 在 这 左边， 这 不 假设 是 那 这 治疗 方法 是 相同的 和 这 选择 假设 是 那 这 治疗 方法 是 不同的。
有时 我们 真的 需要 到 建立 那 事物 是 实质上 这 相同的， 和 这 机械 到 做 那 是 称为 一个 等价 测试。 一个 相等的 测试 是 到 展示 这 不同之处 在 西塔 T， 西塔 零 是 之内 a 预 指定的 利润 三角洲 和 允许 我们 到 结论 等价 和 a 指定的 信心 等级。 如果 你 看 在 这 等价 测试， 这 不 假设 是 那 这 治疗 方法 是 不同的 和 这 选择 假设 是 那 这 治疗 方法 是 之内 a 固定的 三角洲 的 一 其他。
这 是 不同的 从 这 二- 双面 假设 测试 在 这 左边。 其他 选择 测试 设想 是 这 非劣效性 测试 哪个 目标 到 证明 那 结果 是 不是 实质上 更糟。 那里 是 还 a 测试 设想 称为 优势 测试 那 是 相似的 到 非劣效性 测试， 除了 那 这 目标 是 到 证明 那 结果 是 实质上 更好的。 那里 是 五 不同的 类型 的 等价 类型 測試。 依赖 在 这 情况。 什么时候 应该 我们 使用 这 测试？ 将要 是 讨论 下一个。
这些 测试 是 非常 重要的 在 行业， 尤其 在 这 生物技术 和 制药 行业。 这里 是 一些 例子。 如果 这 目标 是 到 展示 那 这 新的 治疗 做 不是 不同 显著地 从 这 标准 经过 更多的 比 一些 小的 利润， 然后 等价 测试 应该 是 用过的。 为了 例子， a 通用的 药品 那 是 较少的 昂贵的 和 原因 很少 边 效果 比 a 受欢迎的 姓名- 品牌 药品。 你 会 喜欢 到 证明 它 有 相同的 功效 作为 这 姓名- 品牌 一。 这 典型的 目标 在 非劣效性 测试 是 到 结论 那 a 新的 治疗 过程 或者 产品 是 不是 显著地 更糟 比 这 标准 一。
为了 例子， a 新的 制造业 过程是 快点。 你 会 制作 当然 它 创建 不 更多的 产品 缺陷 比 这 标准 过程。 A 优势 测试 尝试 到 证明 那 这 新的 治疗 是 明显更好 比 这 标准 一。 为了 例子， a 新的 肥料 有 到过 发达 和 一些 改进。 这 研究人员 想 到 展示 那 这 新的 肥料 是 更好的 比 这 当前的 肥料。 如何 到 放 向上 这 假设？ 这 图形 在 这 左边 总结 五 不同的 类型 的 等价 类型 测试 非常 很好。
这 图形 是 创建 经过 我们的 SAS/STAT® 同事， 约翰 卡斯特洛， 和 唐娜 瓦特。 你 能 寻找 他们的 白色的 纸 在 这 在 这 网络。 选择 哪个 测试 依赖 在 这 情况。 为了 每个 的 这 情况， 这 地区 那 我们 是 尝试 到 建立 和 这 测试 是 显示 在 蓝色的。 为了 等价 分析， 你 能 构造 一个 等价 地区 和 上 边界 西塔 零 加 三角洲 和 降低 边界 西塔 零 减 三角洲。 你 能 执行 一个 等价 测试 经过 检查 无论 这 信心 间隔 的 西塔 谎言 在 完全 在 这 蓝色的 等价 地区。
同样地， 你 能 执行 a 非劣效性 测试 经过 检查 无论 这 信心 间隔 的 西塔 谎言 完全 多于 这 降低 边界 如果 更大 西塔 是 更好的 或者 以下 这 上 边界 如果 更小 西塔 是 更好的。 这些 测试 是 可用的 在 JMP® 17 一 方式 为了 比较 普通的 方法 和 在 应急 为了 比较 回复 率。 这 图形 用户 界面 的 等价 测试 发射 对话框 使 它 简单的 为了 你 到 寻找 这 类型 的 测试 那 对应 什么 你 是 尝试 到 建立。
A 森林 阴谋 在 这 报告 总结 这 比较 非常 很好 和 使 它 简单的 为了 你 到 解释 这 结果。 下一个， 我是 去 到 做 a 演示 关于 相等的 测试， 优势 测试， 和 非劣效性 測試。 我是 去 到 使用 a 数据 放 称为 这 药品 测量 那 是 在 这 跳转 样本 数据 图书馆。 十二 不同的 主题 是 给定 三 不同的 药物 一个， B, 和 C, 和 连续的 测量 是 制成。 I 第一的 推出 合身 Y 经过 X 和 放 这 测量 作为 Y 和 药品 类型 作为 X 因素。
这 将要 带来 这 一- 方式 分析。 在下面 这 红色的 三角形 菜单， 让我们 第一的 寻找 相等的 测试 和 那里 是 这 二 选项， 方法， 和 标准 偏差。 是 去 到 重点 在 方法 为了 这 例子。 这 将要 带来 这 等价 发射 对话。 在 这 部分， 你 能 选择 哪个 测试 你 会 喜欢 到 执行， 和 这 图形 代表 这 选择 的 这 已选择 测试。 为了 优势 和 非劣效性 测试， 那里 是 二 场景。
一 是 大的 不同之处 是 更好的。 其他 是 小的 不同之处 是 更好的。 选择 哪个 一 依赖 在 这 情况。 你 需要 到 指定 这 三角洲 或者 这 利润 为了 这 测试。 你 还 需要 到 指定 这 信心 等级 阿尔法 为了 这 测试。 你 能 任何一个 选择 这 各方 方差 或者 无与伦比 方差 到 跑步 这 测试。 为了 这 例子， 我们 跑步 这 相等的 测试 第一的 和 我们 指定 三 作为 a 不同之处。 我们 是 去 到 做 这 相等的 测试 为了 全部 这 对。 点击 好的 和 它 将要 带来 这 相等的 测试 结果。
在 这 顶部， 它 是 这 统计 细节 为了 这 等价 测试， 和 这 底部 它是 a 森林 阴谋。 你 注意 那里 是 二 地区。 这 蓝色的 地区 是 这 等价 地区 和 这 红色的 是 这 非 等价 地区。 这 线 这里 代表 这 信心 间隔 的 这 意思是 不同之处 之间 二 组。 如果 我们 看 在 这 线， 这 是 这 信心 间隔 的 这 意思是 不同之处 之间 药品 A 和 C, 和 你 看 这 线 是 完全地 包含 里面 这 蓝色的 地区。 我们 看 在 这 P 价值 的 这 等价 测试 那 是 0.02 哪个 是 更小 大于 0.05。 所以在 这 5 % 意义 等级， 我们 能 宣布 那 药品 A 和 C 是 相等的。
但 什么时候 你 看 在 这 信心 间隔 的 a 意思是 不同之处 之间 药品 A 和 B, 和 药品 B 和 C, 他们 是 衬里 超过 这 蓝色的 地区。 所以我们 结论 在 这 5 % 意义 等级 药品 A 和 B, 和 药品 B 和 C, 我们 不能 结论 他们 是 相等的。 下一个， 如果 我们 认为 药品 C 是 a 标准 药品 和 你 会 喜欢 到 寻找 出去 如果 药品 A 和 B 是 更好的 比 药品 C, 那 制作 我们 想 到 做 a 优势 测试。 让 我 关闭 这 大纲 笔记 为了 现在 和 我们 发射 这 相等的 测试 再次 和 我们 点击 方法。
这 时间 是 去 到 跑步 优势 测试。 我们 点击 这 优势 测试 和 我们 更喜欢 大的 不同之处 和 我们 指定 0.4 作为 我们的 利润。 这 时间 我们 需要 到 放 药品 C 作为 我们的 控制 团体 和 点击 好的。 这 将要 带来 这 优势 测试。 从 这 森林 阴谋 你 能 看 这 信心 间隔 的 a 意思是 不同之处 之间 药品 B 和 C 是 完全地 包含 里面 这 蓝色的 地区。 所以 我们 结论 那 在 这 5 % 信心 等级， 我们 能 宣布 那 这 B 是 优越的 到 药品 C. 但 我们 不能 制作 a 相同的 结论 到 药品 A 和 C. 这 总结 我的 第一的 例子。
这 下一个 例子 将要 展示 如何 到 进行 非劣效性 测试 为了 这 相对的 风险 之间 二 比例。 让 我 打开 这 数据 桌子。 A 随机 审判 是 到 比较 药品 菲达克斯 作为 一个 选择 到 药品 文科 为了 这 治疗 的 冒号 感染。 这 二 药物 有 相似的 功效 和 安全。 二 百 二十- 一 出去 的 225 患者 治疗 和 菲达克斯 已实现 临床 Q 经过 这 结尾 的 这 学习， 比较的 到 223出局 的 257 患者 治疗 和 文科。
我们 发射 合身 Y 经过 X 再次 和 我们 插头 在 Q 作为 Y 和 药品 作为 X 因素和 帐户 作为 a 频率 和 点击 好的。 将要 带来 这 应急 分析。 从 这 可能性 比率 测试，培生 测试， 和 费舍尔 确切地 测试， 他们 全部 表明 那 那里 是 不 大的 不同之处 之间 这些 二 药物。 但 我们 会 喜欢 到 寻找 出去 如果 药品 菲达克斯 是 不是 下 到 药品 文科。 我们 去 到 这 向上 红色的 三角形 和 带来 这 相等的 测试。 那里 是 二 选项。 一 是 这 风险 不同之处 和 一 是 相对的 风险。 为了 这 例子， 我们 选择 相对的 风险。
再次， 带来 这 相等的 测试 发射 对话。 为了 这 例子， 是 去 到 跑步 非劣效性 测试。 A 获得， 我们 更喜欢 大的 比率。 我们 指定 0.9 作为 我们的 利润 和 我们 关心 关于 这 治疗 影响。 所以 我们 应该 选择 是的 和 然后 我们 点击 好的。 所以 这 带来 这 非劣效性 测试。 从 这 森林 阴谋， 我们 能 看 这 信心 间隔 的 这 相对的 风险 是 完全地 包含 在 这 蓝色的 地区， 和 这 P 价值 为了 这 非劣效性 测试 是 非常 小的。 所以 我们 结论 在 这 5 % 重要的 等级， 这 药品 菲达克斯 是 不是 下 到 药品 文科。 这 总结 我的 讲话 和 I 将要 给 后退 到 标记。 I 需要 到 停止这个 分享。
感谢 你， Jianfeng. 现在 在 这 最后的 部分 的 我们的 推介会， 我是 去 到 讲话 关于 其他 比较 在哪里 我们 想 到 比较 这 结果 或者 测量 从 二 不同的 方法 的 测量 一些 数量。 我们 认为 那 有 a 标准 方法 那 已经 存在。 它 有 到过 已验证。 我们 能 使用 它 到 措施 这 等级 的 一些 数量。 那 可能 是 这 温度 或者 这 效力 的 a 药品。 但 为了 一些 原因， 我们已经 发达 a 新的 方法 为了 这 相同的 结果。
我们 必须 比较 它是 表现 到 这 标准 方法 前 我们 使用 它。 这 是 a 长的 常设 问题。 这 比较 有 到过 编纂 为了 a 长的 时间 经过 很多的 国际的 組織。 我已经 上市 a 很少 的 他们 在 这 滑动。 所以 这 是 a 非常 出色地 研究过 和 一个 已确立的 比较。 在 这 案件， 是 去 到 比较 到 身份。 是 去 到 比较 这些 二 方法 在哪里 理想情况下 这 测试 方法 会 给 我们 这 相同的 价值 作为 这 标准 方法。 所以我们 阴谋 这 数据 使用 a 散点图。 我们 有 这 测试 方法 在 这 垂直的 轴 和 这 标准 方法 结果 在 这 水平的 轴。 我们 能 甚至 阴谋 这 身份 线 在哪里 Y 等于 X 为了 参考。
理想情况下， 我们 会 得到 这 结果 从 两个都 方法， 但 那 惯于 发生 因为 的 测量 错误 在 两个都 方法。 出色地 使用 回归 分析 到 决定 这 最好的 合身 为了 这 线 在哪里 我们 有 这 测试 方法 相对 这 标准 方法。 然后 这 估计的 参数 为了 我们的 模型 能 是 比较的 到 这 身份 线。 这 无效的 假设， 我们 开始 和 这 主意 那 他们 是 不是 这 相同的。 所以 这 截距 的 这 线 是 不是 零 或者 这 坡 是 不是 一 或者 可能 两个都。 在 其他 字， 这 结果 是 不是 相等的。
这 选择， 哪个 我们 会 喜欢 到 宣称 是 那 他们 是 相等的。 所以 那里 我们 状态 那 这 截距 应该 是 零 和 这 坡 应该 是 一。 到 制作 这 比较 使用 回归， 我们 有 到 假定 a 模型。 在 这 案件， 它是 a 简单的 线性 回归 模型。 我们 有 a 持续的 学期 一个， a 比例 学期 B 次 十。 是 去 到 估计 那些 参数 A 和 乐队 使用 我们的 假设 到 决定。 我们 还 有 a 学期 ε， 和 那 代表 这 测量 错误， 这 随机的 变化。 使用 线性 回归， 我们 认为 那 这 Y 和 这 X 是 线性地 有关的。
我们 认为 那 这 统计 错误 那 厄普西隆 是 在 和， 不是 在 十。 我们 还 认为 那 那些 错误 是 分布式 在 a 方式 那 是 独立的 的 这 回复。 在 其他 字， 这 统计 错误 是 这 相同的 穿过 这 全部的 范围 的 这 方法。 还， 那 不 数据 发挥 任何 过多的 影响 在 这些 估计。 出色地， 在 方法 比较， 我们 通常 违反 这些 假设。 第一的 的 全部， 那里 是 测量 错误 在 这 标准 方法 作为 出色地。
还， 经常 这 错误 是 不是 持续的。 那 是， 我们 观察 a 持续的 系数 的 变化 但 不是 a 持续的 标准 偏差。 异常值 是 提出 能 强烈 影响 这 估计。 其他 回归 方法 是 必需的 在 这样的 a 案件。 这 戴明 回归 同时地 最小化 这 至少 正方形 错误 在 两个都 Y 和 十。 那是 合适的 为了 这 案件。 这 通过- 巴布洛克 回归 是 a 非参数 方法 那是 基于 在 这 中位数 的 全部 可能的 成对 连续下坡。
它是 抵抗的 到 异常值 和 非常量 错误。 让我们 讲话 关于 每个 的 这些 简要地。 这 戴明 回归 是 假如 在 这 双变量 平台 通过 这 合身 正交 命令。 这 有 到过 可用的 在 跳转 为了 许多 年。 这 戴明 回归 能 估计 这 错误 在 Y 和 X， 认为 那 这 错误 在 Y 和 X 是 平等的， 或者 使用 a 给定 比率 的 Y 到 X 错误。
通过- 巴布洛克 回归 是 新的。 JMP® 17 介绍 这 方法 在 这 双变量 平台 通过 这 合身 帕西-巴布洛克 命令。 这 命令 还 包括 检查 为了 这 假设 那 这 测量 是 高度 积极地 相关 和 展览 a 线性 关系。 方法 比较 经常 包括 a 比较 经过 不同之处。 这 之中- 奥特曼 分析 比较 这 成对 差异 作为 Y 到 这 成对 方法 作为 X 到 评估 偏见 之间 这 二 值。
这 结果 是 呈现 在 a 散点图 的 Y 相对 X 为了 你的 考试 和 还 到 确认 任何 异常。 这 发生 在 这 匹配 对子 平台。 匹配 对子 平台 有 到过 部分 的 跳转 为了 许多 年 作为 出色地， 但 这 布兰德-奥特曼 测试 是 a 新的 添加。 这 报告 还 礼物 这 假设 测试。 现在 ID 喜欢 到 证明 这些 二 方法。 作为 I 说， 戴明 回归 有 到过 可用的 为了 a 长的 时间， 但 为了 完整性' 清酒， 我是 去 到 证明 它 这里 旁边 这 新的 方法。
I 选择 从 这 分析 菜单， 合身 Y 经过 十。 我是 去 到 比较 测试 方法 1 到 我的 标准 方法。 这 标准 方法 去 在 这 X 角色 和 这 新的 测试 方法 去 在 这 Y 角色。 你 可以 评价 更多的 比 一 测试 方法 在 这 相同的 时间。 这是 我的 阴谋。 最初， I 看 a 分散 阴谋。 I 预计 这些 二 到 同意 非常 出色地。 I 预计 到 看 那 他们 跟随 这 对角线 小路， 那 他们是 线性， 和 所以 向前。 患病的 点击 这 红色的 三角形 下一个 到 双变量 和 选择 合身 正交。
在 这 案件， I 不 真的 知道 那 这 差异 是 平等的 或者 I 不 有 任何 事先的 信息 那 I 可以 指定 a 比率。 所以我会 有 跳转 估计 这 错误 在 两个都。 患病的 使用 这 第一的 选项 这里。 现在 我们 有 这 已安装 线 使用 戴明 回归。 以下 那 我们 有 这 报告。 这 报告 包括 一个 估计 的 这 截距。 我们 能 看 它是 小的 和 关闭 到 零。 我们 有 一个 估计 为了 这 坡。
使用 这 信心 间隔， 我们 看 那 它 包括 一， 哪个 我们 会 预计 如果 这 测试 方法 同意 和 这 标准。 那是 戴明 回归。 现在， 是 去 到 拿 a 看 在 这 新的 方法 传球-巴布洛克 回归 在 刀刃- 奥特曼。 相同 开始， 选择 分析， 和 然后 选择 合身 Y 经过 十。 我是 去 到 使用 这 记起 按钮 这里。 I 想 到 比较 方法 1 到 这 标准， 但 我是 去 到 使用 a 新的 回归 技术。
患病的 点击 在 这 红色的 三角形 和 选择 合身 传球——巴布洛克。 有 实际上 二 线 这里。 有 a 红色的 线 那 代表 这 最好的- 合身 线 使用 这 传球-巴布洛克 回归。 但 有 还， 为了 我们的 参考， a 线 那 代表 在哪里 y 等于 x. 它是 难的 到 看。 我是 去 到 使用 这 放大镜 工具 到 放大 a 很少 次。 现在 你 能 看 那 那里 是， 在 事实， 二 分离 線。 一 是 这 身份 和 一 是 这 合身， 但 他们 重叠 相当 a 少量。 这些 是 相当 相似的。
在 这 数值 报告， 第一的 I 有 a 测试 为了 这 高的 积极的 相关性。 是 使用 肯德尔的 是的， 和 我们 能 看 那 它 是 高度 重要的。 我们 拒绝 这 主意 那 他们是 不是 强烈 相關。 下一个， 我们 有 a 测试 的 线性。 这里， 这 测试 假设 那 他们是 线性，和 w 是 寻找 为了 强的 证据 反对 那。 但 我们 有 a 非常 高的 P 价值 这里， 所以 我们 做 不是 拒绝 这 假设 那 他们是 线性的。 最后， 我们 有 这 范围 估计 经过 使用 通过 —巴布洛克 回归， 我们 有 这 观点 估计， 我们 有 这 间隔 估计。
为了 这 截距， 那 间隔 包括 零， 所以 我们 不能 拒绝 一个 截距 的 零。 我们有 这 坡 是 包含 之内 一个 间隔 那 包括 一。 相似地， 我们 不能 拒绝 那 这 坡 的 那 线 是 平等的 到 一。 让我们 说 我们会 还 喜欢 到 比较 这些 二 方法 经过 不同之处。 到 做 那， I 点击 在 这 红色的 三角形 为了 这 选项 的 这 合身 帕西-巴布洛克 结果，以及 这里 我们 看 这 命令 布兰德-奥特曼 分析。 它 需要 全部 这 信息 这里 和 发射 匹配 对 和 这 额外的 信息 在 这 布兰德-奥特曼 分析。
这 阴谋 是 显示 我们 在 这 Y 轴 这 成对 不同之处 之间 这 方法 一 和 这 标准 方法， 和 它是 绘制 反对 在 这 水平的 轴 是 这 意思是 的 那些 二 值。 这 布兰德-奥特曼 分析 是 有帮助的 因为 它 给出 我们 一个 主意 关于 这 偏见。 所以 这里 I 有 一个 估计 的 这 偏见 是 消极的 0.113， 但 我们 能 看 那 这 间隔 估计 的 这 偏见 包括 零， 所以 我们 不能 拒绝 这 主意 那 这 偏见 是 平等的 到 零 和 所以 在。 现在 我们 有 在 JMP® 17， a 很多 更多的 完全的 放 的 工具 为了 比较 不同的 测试 方法。 那 总结 我们的 推介会。 感谢 你。
