你好， 歡迎 到 我們的 推介會， 方法 到 比較 和 JMP® 17。 我的 姓名 是 標記 貝利。 我是 a 進階的 分析 軟體 測試員， 和 我的 共同 主持人 今天 是 Jianfeng 丁， a 進階的 研究 統計員 開發人員。 前 我們 得到 進入 這 新的 特徵， 是 去 到 拿 a 片刻 到 製作 當然 那 每個人 有 這 恰當的 背景 到 欣賞 這些 新的 方法。
這 有 到 做 和 使用 統計 推理 什麼時候 是 嘗試 到 比較 二 人口。 這 是 a 非常 常見的 任務， 和 這 比較 通常 線索 到 a 決定 之間 二 想法 關於 這些 人口。 如果 我們 可以 觀察 這 人口 在 他們的 整體， 我們 不會 需要 統計數據， 但 那是 不是 通常 這 案件。 所以，我們 有 到 工作 和 樣品 從 這 人口。 統計 推理 能 提供 一些 真的 有價值的 資訊 關於 那些 樣品。
在 特別的， 是 那裡 充足的 證據 到 拒絕 一 主意 關於 這 二 人口？ 所以 a 清除 陳述 的 這些 想法 或者 假設 是 基本的 到 製作 這 正確的 選擇 為了 這 測試 和 也 為了 這 正確的 解釋。 所以 讓我們 演講 a 小的 位元 關於 這 想法 或者 假設 那 是 部分 的 這些 統計 測試。 這 選擇 和 無效的 假設， 作為 他們是 已知， 代表 相互 獨家的 語句 關於 這些 人口， 和 不 其他 假設 是 可能的。
為了 例子， 一 陳述 可能 是 為了 人口 A 和 人口 B 那 他們的 方法 是 平等的。 這 其他 主意 是 那 他們是 不是 平等的。 那些 二 想法 或者 假設 是 相互 獨家的 和 不 其他 假設 是 可能的。 什麼是 這 角色 的 這些 二 想法？ 這 選擇 假設 州 這 結論 那 我們 會 喜歡 到 宣稱。 它 代表 這 人口 和 它 將要 要求 充足的 證據 在 這 數據 到 推翻 這 其他 假設。
這 其他 一 是 稱為 這 無效的 假設。 它 州 這 反對 結論 那 必須 是 克服 經過 強的 證據。 它 服務 作為 a 參考 為了 這 比較。 它是 假定 到 是 真的。 現在， 現在， 有 有些 的 a 誤解 在 假設 測試 在 那 它 僅有的 認為 關於 比較 在 一 方向。 那是 因為 從歷史上看， 這 是 這 方式 它 曾是 呈現 在 訓練。
那 最多 常 教 測試 是 用過的 到 證明 那 有 a 不同之處 之間 二 人口。 這 導致 缺少 的 理解 能 帶領 到 a 使用 的 這些 測試。 到 是 清除， 這 選擇 的 這 測試 是 不是 a 事 的 什麼 數據 是 集 或者 如何 這 數據 是 集。 它是 完全 關於 這 聲明 假設 為了 這 目的 的 你的 比較。 讓我們 看 在 這些 二 可能性。 讓我們 說 那 這 目標 的 我們的 比較 是 到 證明 a 不同之處。
我們 想 到 明確地 狀態 這些 想法 到 製作 當然 這 測試 是 清除。 在 這 第一的 例子， I 想 到 證明 那 a 溫度 改變 原因 a 新的 結果。 那 是， 那裡 是 a 不同之處。 我們會 喜歡 到 宣稱 那 這 新的 等級 的 這 回覆 將要 結果 從 a 改變 在 這 過程 溫度。 也許 我們 預計 a 更高 屈服 或者 我們會 喜歡 到 展示 更多的 穩定。 A 設計 實驗 是 用過的 到 隨機 樣本 從 這 人口 為了 a 低的- 溫度 狀態 和 從 a 人口 的 a 高的- 溫度 狀態.
這 二 假設 為了 這 測試， 這 無效的 假設 州 那 這 溫度 做 不是 影響 這 結果。 記住， 它是 我們的 參考 和 我們 認為 它 到 是 真的。 這 選擇 假設 是 我們的 主意。 溫度 影響 這 結果， 但 我們 能 決定 這 僅有的 如果 這 證據 是 強的 足夠的 到 拒絕 這 無效的 假設。 現在， 讓我們 改變 那。 讓我們 反向 那。 讓我們 說 那 在 這 比較， I 想 到 證明 等價。 在 這 第二 例子， I 想 到 展示 那 a 溫度 改變 做 不是 原因 a 改變 在 這 結果。
那 是， 這 結果， 任何一個 方式， 是 相等的。 我們 想 到 宣稱 那 a 計劃 改變 在 這 過程 溫度 將要 提升 這 屈服 但 不是 影響 這 等級 的 一個 雜質 的 這 產品。 我們 設計 這 相同的 實驗， 收集 這 相同的 樣品， 但 現在 我們的 假設 是 切換。 這 無效的 假設 是 那 這 溫度 影響 這 結果。 它是 我們的 新的 參考， 我們 仍然 認為 它 到 是 真的， 儘管 這 選擇 假設 州 那 這 溫度 做 不是 影響 這 結果， 這 雜質 等級。
但 我們 能 製作 那 宣稱 僅有的 如果 這 證據 是 強的 足夠的 到 拒絕 這 無效的。 所以 I 測試 為了 a 不同之處 或者 為了 等價？ 這 鑰匙 是 如何 你 狀態 你的 假設。 這些 二 例子， I 思考 你 能 看， 使用 完全相同的 數據 但 不同的 測試。 這 選擇 的 這 測試 是 不是 關於 這 數據。 它是 關於 這 宣稱 那 我們 想 到 製作 和 如何 我們 狀態 那 適當地 在 這 假設。 記住 那 統計 測試 是 單向。 那 是， 我們 能 拒絕 a 無效的 或者 不是。 如果 這 測試 是 到 拒絕 a 無效的 假設 和 a 高的 可能性 什麼時候 它是 錯誤的。
現在， 讓我們 得到 到 這 新的 特徵 在 JMP® 17。 Jianfeng 將要 現在 展示 這 等價 測試，以及 什麼時候 她是 完成的， 患病的 展示 方法 比較。
現在， 我是 去 到 分享 我的 螢幕. 你好， 我的 姓名 是 Jianfeng Ding. 我是 a 研究 統計 開發者 在 JMP® 17。 在 這 影片, 我是 去 到 演講 關於 這 等價， 非劣效性， 和 優勢 測試 在 JMP® 17。 這 基本的 假設 測試 在 這 左邊 是 a 測試 那 最多 品質 專業人士 是 熟悉的 和。 它 是 常 用過的 到 比較 二 或者 更多的 群組 的 數據 到 決定 無論 他們 是 統計上 不同的。
這 範圍 西塔 能 是 a 意思是 回覆 為了 連續的 結果 和 a 部分 什麼時候 這 結果 多變的 是 二進制。 西塔 T 代表 回覆 從 治療 團體 和 西塔 零 代表 這 回覆 從 a 控制 團體。 那裡 是 三 類型 的 這 基本的 假設 測試。 這 第一的 一 是 雙面 測試 和 這 休息 是 一- 雙面 測試。 如果 你 看 在 這 雙面 測試 在 這 左邊， 這 不 假設 是 那 這 治療 方法 是 相同的 和 這 選擇 假設 是 那 這 治療 方法 是 不同的。
有時 我們 真的 需要 到 建立 那 事物 是 實質上 這 相同的， 和 這 機械 到 做 那 是 稱為 一個 等價 測試。 一個 相等的 測試 是 到 展示 這 不同之處 在 西塔 T， 西塔 零 是 之內 a 預 指定的 利潤 三角洲 和 允許 我們 到 結論 等價 和 a 指定的 信心 等級。 如果 你 看 在 這 等價 測試， 這 不 假設 是 那 這 治療 方法 是 不同的 和 這 選擇 假設 是 那 這 治療 方法 是 之內 a 固定的 三角洲 的 一 其他。
這 是 不同的 從 這 二- 雙面 假設 測試 在 這 左邊。 其他 選擇 測試 設想 是 這 非劣效性 測試 哪個 目標 到 證明 那 結果 是 不是 實質上 更糟。 那裡 是 也 a 測試 設想 稱為 優勢 測試 那 是 相似的 到 非劣效性 測試， 除了 那 這 目標 是 到 證明 那 結果 是 實質上 更好的。 那裡 是 五 不同的 類型 的 等價 類型 測試。 依賴 在 這 情況。 什麼時候 應該 我們 使用 這 測試？ 將要 是 討論 下一個。
這些 測試 是 非常 重要的 在 行業， 尤其 在 這 生物技術 和 製藥 行業。 這裡 是 一些 例子。 如果 這 目標 是 到 展示 那 這 新的 治療 做 不是 不同 顯著地 從 這 標準 經過 更多的 比 一些 小的 利潤， 然後 等價 測試 應該 是 用過的。 為了 例子， a 通用的 藥物 那 是 較少的 昂貴的 和 原因 很少 邊 效果 比 a 受歡迎的 姓名- 品牌 藥物. 你 會 喜歡 到 證明 它 有 相同的 功效 作為 這 姓名- 品牌 一。 這 典型的 目標 在 非劣效性 測試 是 到 結論 那 a 新的 治療 過程 或者 產品 是 不是 顯著地 更糟 比 這 標準 一。
為了 例子， a 新的 製造業 過程是 快點。 你 會 製作 當然 它 創建 不 更多的 產品 缺陷 比 這 標準 過程。 A 優勢 測試 嘗試 到 證明 那 這 新的 治療 是 明顯更好 比 這 標準 一。 為了 例子， a 新的 肥料 有 到過 發達 和 一些 改進。 這 研究者 想 到 展示 那 這 新的 肥料 是 更好的 比 這 目前的 肥料。 如何 到 放 向上 這 假設？ 這 圖形 在 這 左邊 總結 五 不同的 類型 的 等價 類型 測試 非常 很好。
這 圖形 是 創建 經過 我們的 SAS/STAT® 同事， 約翰 卡斯特洛， 和 唐娜 瓦特。 你 能 尋找 他們的 白色的 紙 在 這 在 這 網路。 選擇 哪個 測試 依賴 在 這 情況。 為了 每個 的 這 情況， 這 地區 那 我們 是 嘗試 到 建立 和 這 測試 是 顯示 在 藍色的。 為了 等價 分析， 你 能 構造 一個 等價 地區 和 上 邊界 西塔 零 加 三角洲 和 降低 邊界 西塔 零 減 三角洲。 你 能 執行 一個 等價 測試 經過 檢查 無論 這 信心 間隔 的 西塔 謊言 在 完全 在 這 藍色的 等價 地區。
同樣地， 你 能 執行 a 非劣效性 測試 經過 檢查 無論 這 信心 間隔 的 西塔 謊言 完全 多於 這 降低 邊界 如果 更大 西塔 是 更好的 或者 以下 這 上 邊界 如果 更小 西塔 是 更好的。 這些 測試 是 可用的 在 JMP® 17 一 方式 為了 比較 普通的 方法 和 在 緊急 為了 比較 回覆 率。 這 圖形 使用者 介面 的 等價 測試 發射 對話 使 它 簡單的 為了 你 到 尋找 這 類型 的 測試 那 對應 什麼 你 是 嘗試 到 建立。
A 森林 陰謀 在 這 報告 總結 這 比較 非常 很好 和 使 它 簡單的 為了 你 到 解釋 這 結果。 下一個， 我是 去 到 做 a 示範 關於 相等的 測試， 優勢 測試， 和 非劣效性 測試。 我是 去 到 使用 a 數據 放 稱為 這 藥物 測量 那 是 在 這 跳轉 樣本 數據 圖書館. 十二 不同的 主題 是 給定 三 不同的 藥物 一個， B, 和 C, 和 連續的 測量 是 製成。 I 第一的 推出 合身 Y 經過 X 和 放 這 測量 作為 Y 和 藥物 類型 作為 X 因素。
這 將要 帶來 這 一- 方式 分析。 在下面 這 紅色的 三角形 選單， 讓我們 第一的 尋找 相等的 測試 和 那裡 是 這 二 選項， 方法， 和 標準 偏差。 是 去 到 重點 在 方法 為了 這 例子。 這 將要 帶來 這 等價 發射 對話。 在 這 部分， 你 能 選擇 哪個 測試 你 會 喜歡 到 執行， 和 這 圖形 代表 這 選擇 的 這 已選擇 測試。 為了 優勢 和 非劣效性 測試， 那裡 是 二 場景。
一 是 大的 不同之處 是 更好的。 其他 是 小的 不同之處 是 更好的。 選擇 哪個 一 依賴 在 這 情況。 你 需要 到 指定 這 三角洲 或者 這 利潤 為了 這 測試。 你 也 需要 到 指定 這 信心 等級 阿爾法 為了 這 測試。 你 能 任何一個 選擇 這 各方 變異數 或者 無與倫比 變異數 到 跑步 這 測試。 為了 這 例子， 我們 跑步 這 相等的 測試 第一的 和 我們 指定 三 作為 a 不同之處。 我們 是 去 到 做 這 相等的 測試 為了 全部 這 對。 點選 好的 和 它 將要 帶來 這 相等的 測試 結果。
在 這 頂部， 它 是 這 統計 細節 為了 這 等價 測試， 和 這 底部 它是 a 森林 陰謀。 你 注意 那裡 是 二 地區。 這 藍色的 地區 是 這 等價 地區 和 這 紅色的 是 這 非 等價 地區。 這 線 這裡 代表 這 信心 間隔 的 這 意思是 不同之處 之間 二 組。 如果 我們 看 在 這 線， 這 是 這 信心 間隔 的 這 意思是 不同之處 之間 藥物 A 和 C, 和 你 看 這 線 是 完全地 包含 裡面 這 藍色的 地區。 我們 看 在 這 P 價值 的 這 等價 測試 那 是 0.02 哪個 是 更小 大於 0.05。 所以在 這 5 % 意義 等級， 我們 能 宣告 那 藥物 A 和 C 是 相等的。
但 什麼時候 你 看 在 這 信心 間隔 的 a 意思是 不同之處 之間 藥物 A 和 B, 和 藥物 B 和 C, 他們 是 襯裡 超過 這 藍色的 地區。 所以我們 結論 在 這 5 % 意義 等級 藥物 A 和 B, 和 藥物 B 和 C, 我們 不能 結論 他們 是 相等的。 下一個， 如果 我們 認為 藥物 C 是 a 標準 藥物 和 你 會 喜歡 到 尋找 出去 如果 藥物 A 和 B 是 更好的 比 藥物 C, 那 製作 我們 想 到 做 a 優勢 測試。 讓 我 關閉 這 大綱 筆記 為了 現在 和 我們 發射 這 相等的 測試 再次 和 我們 點選 方法。
這 時間 是 去 到 跑步 優勢 測試。 我們 點選 這 優勢 測試 和 我們 更喜歡 大的 不同之處 和 我們 指定 0.4 作為 我們的 利潤。 這 時間 我們 需要 到 放 藥物 C 作為 我們的 控制 團體 和 點選 好的。 這 將要 帶來 這 優勢 測試。 從 這 森林 陰謀 你 能 看 這 信心 間隔 的 a 意思是 不同之處 之間 藥物 B 和 C 是 完全地 包含 裡面 這 藍色的 地區。 所以 我們 結論 那 在 這 5 % 信心 等級， 我們 能 宣告 那 這 B 是 優越的 到 藥物 C. 但 我們 不能 製作 a 相同的 結論 到 藥物 A 和 C. 這 總結 我的 第一的 例子。
這 下一個 例子 將要 展示 如何 到 進行 非劣效性 測試 為了 這 相對的 風險 之間 二 比例。 讓 我 打開 這 數據 桌子。 A 隨機 審判 是 到 比較 藥物 菲達克斯 作為 一個 選擇 到 藥物 文科 為了 這 治療 的 冒號 感染。 這 二 藥物 有 相似的 功效 和 安全。 二 百 二十- 一 出去 的 225 患者 治療 和 菲達克斯 已實現 臨床 Q 經過 這 結尾 的 這 學習， 比較的 到 223出局 的 257 患者 治療 和 文科。
我們 發射 合身 Y 經過 X 再次 和 我們 插頭 在 Q 作為 Y 和 藥物 作為 X 因素和 帳戶 作為 a 頻率 和 點選 好的。 將要 帶來 這 緊急 分析。 從 這 可能性 比率 測試，培生 測試， 和 費雪 確切地 測試， 他們 全部 表明 那 那裡 是 不 大的 不同之處 之間 這些 二 藥物。 但 我們 會 喜歡 到 尋找 出去 如果 藥物 菲達克斯 是 不是 下 到 藥物 文科。 我們 去 到 這 向上 紅色的 三角形 和 帶來 這 相等的 測試。 那裡 是 二 選項。 一 是 這 風險 不同之處 和 一 是 相對的 風險。 為了 這 例子， 我們 選擇 相對的 風險。
再次， 帶來 這 相等的 測試 發射 對話。 為了 這 例子， 是 去 到 跑步 非劣效性 測試。 A 獲得， 我們 更喜歡 大的 比率。 我們 指定 0.9 作為 我們的 利潤 和 我們 關心 關於 這 治療 影響。 所以 我們 應該 選擇 是的 和 然後 我們 點選 好的。 所以 這 帶來 這 非劣效性 測試。 從 這 森林 陰謀， 我們 能 看 這 信心 間隔 的 這 相對的 風險 是 完全地 包含 在 這 藍色的 地區， 和 這 P 價值 為了 這 非劣效性 測試 是 非常 小的。 所以 我們 結論 在 這 5 % 重要的 等級， 這 藥物 菲達克斯 是 不是 下 到 藥物 文科。 這 總結 我的 演講 和 I 將要 給 後退 到 標記。 I 需要 到 停止這個 分享。
感謝 你， Jianfeng. 現在 在 這 最後的 部分 的 我們的 推介會， 我是 去 到 演講 關於 其他 比較 在哪裡 我們 想 到 比較 這 結果 或者 測量 從 二 不同的 方法 的 測量 一些 數量。 我們 認為 那 有 a 標準 方法 那 已經 存在。 它 有 到過 已驗證。 我們 能 使用 它 到 措施 這 等級 的 一些 數量。 那 可能 是 這 溫度 或者 這 效力 的 a 藥物. 但 為了 一些 原因， 我們已經 發達 a 新的 方法 為了 這 相同的 結果。
我們 必須 比較 它是 表現 到 這 標準 方法 前 我們 使用 它。 這 是 a 長的 常設 問題。 這 比較 有 到過 編纂 為了 a 長的 時間 經過 很多的 國際的 組織。 我已經 上市 a 很少 的 他們 在 這 滑動。 所以 這 是 a 非常 出色地 研究過 和 一個 已確立的 比較。 在 這 案件， 是 去 到 比較 到 身份。 是 去 到 比較 這些 二 方法 在哪裡 理想情況下 這 測試 方法 會 給 我們 這 相同的 價值 作為 這 標準 方法。 所以我們 陰謀 這 數據 使用 a 散點圖。 我們 有 這 測試 方法 在 這 垂直的 軸 和 這 標準 方法 結果 在 這 水平的 軸。 我們 能 甚至 陰謀 這 身分 線 在哪裡 Y 等於 X 為了 參考。
理想情況下， 我們 會 得到 這 結果 從 兩個都 方法， 但 那 慣於 發生 因為 的 測量 錯誤 在 兩個都 方法。 出色地 使用 回歸 分析 到 決定 這 最好的 合身 為了 這 線 在哪裡 我們 有 這 測試 方法 相對 這 標準 方法。 然後 這 估計的 參數 為了 我們的 模型 能 是 比較的 到 這 身分 線。 這 無效的 假設， 我們 開始 和 這 主意 那 他們 是 不是 這 相同的。 所以 這 截距 的 這 線 是 不是 零 或者 這 坡 是 不是 一 或者 可能 兩個都。 在 其他 字， 這 結果 是 不是 相等的。
這 選擇， 哪個 我們 會 喜歡 到 宣稱 是 那 他們 是 相等的。 所以 那裡 我們 狀態 那 這 截距 應該 是 零 和 這 坡 應該 是 一。 到 製作 這 比較 使用 回歸， 我們 有 到 假定 a 模型。 在 這 案件， 它是 a 簡單的 線性 回歸 模型。 我們 有 a 持續的 學期 一個， a 比例 學期 B 次 十。 是 去 到 估計 那些 參數 A 和 樂團 使用 我們的 假設 到 決定。 我們 也 有 a 學期 ε， 和 那 代表 這 測量 錯誤， 這 隨機的 變化。 使用 線性 回歸， 我們 認為 那 這 Y 和 這 X 是 線性地 有關的。
我們 認為 那 這 統計 錯誤 那 厄普西隆 是 在 和， 不是 在 十。 我們 也 認為 那 那些 錯誤 是 分散式 在 a 方式 那 是 獨立的 的 這 回覆. 在 其他 字， 這 統計 錯誤 是 這 相同的 穿過 這 全部的 範圍 的 這 方法。 也, 那 不 數據 發揮 任何 過多的 影響 在 這些 估計。 出色地， 在 方法 比較， 我們 通常 違反 這些 假設。 第一的 的 全部， 那裡 是 測量 錯誤 在 這 標準 方法 作為 出色地。
也, 常 這 錯誤 是 不是 持續的。 那 是， 我們 觀察 a 持續的 係數 的 變化 但 不是 a 持續的 標準 偏差。 異常值 是 提出 能 強烈 影響 這 估計。 其他 回歸 方法 是 必需的 在 這樣的 a 案件。 這 戴明 回歸 同時地 最小化 這 至少 方塊 錯誤 在 兩個都 Y 和 十。 那是 合適的 為了 這 案件。 這 通過- 巴布洛克 回歸 是 a 非參數 方法 那是 基於 在 這 中位數 的 全部 可能的 成對 連續下坡。
它是 抵抗的 到 異常值 和 非常量 錯誤。 讓我們 演講 關於 每個 的 這些 簡要地。 這 戴明 回歸 是 假如 在 這 雙變數 平台 透過 這 合身 正交 命令。 這 有 到過 可用的 在 跳轉 為了 許多 年。 這 戴明 回歸 能 估計 這 錯誤 在 Y 和 X， 認為 那 這 錯誤 在 Y 和 X 是 平等的， 或者 使用 a 給定 比率 的 Y 到 X 錯誤。
通過- 巴布洛克 回歸 是 新的。 JMP® 17 介紹 這 方法 在 這 雙變數 平台 透過 這 合身 傳球-巴布洛克 命令。 這 命令 也 包括 檢查 為了 這 假設 那 這 測量 是 高度 積極地 相關 和 展覽 a 線性 關係。 方法 比較 常 包括 a 比較 經過 不同之處。 這 之中- 奧特曼 分析 比較 這 成對 差異 作為 Y 到 這 成對 方法 作為 X 到 評估 偏見 之間 這 二 值。
這 結果 是 呈現 在 a 散點圖 的 Y 相對 X 為了 你的 考試 和 也 到 確認 任何 異常。 這 發生 在 這 匹配 對子 平台。 匹配 對子 平台 有 到過 部分 的 跳轉 為了 許多 年 作為 出色地， 但 這 布蘭德-奧特曼 測試 是 a 新的 添加。 這 報告 也 禮物 這 假設 測試。 現在 ID 喜歡 到 證明 這些 二 方法。 作為 I 說， 戴明 回歸 有 到過 可用的 為了 a 長的 時間， 但 為了 完整性' 清酒， 我是 去 到 證明 它 這裡 旁邊 這 新的 方法。
I 選擇 從 這 分析 選單， 合身 Y 經過 十。 我是 去 到 比較 測試 方法 1 到 我的 標準 方法。 這 標準 方法 去 在 這 X 角色 和 這 新的 測試 方法 去 在 這 Y 角色。 你 可以 評價 更多的 比 一 測試 方法 在 這 相同的 時間。 這是 我的 陰謀。 最初， I 看 a 分散 陰謀。 I 預計 這些 二 到 同意 非常 出色地。 I 預計 到 看 那 他們 跟隨 這 對角線 小路， 那 他們是 線性， 和 所以 向前。 患病的 點選 這 紅色的 三角形 下一個 到 雙變數 和 選擇 合身 正交。
在 這 案件， I 不 真的 知道 那 這 差異 是 平等的 或者 I 不 有 任何 事先的 資訊 那 I 可以 指定 a 比率。 所以我會 有 跳轉 估計 這 錯誤 在 兩個都。 患病的 使用 這 第一的 選項 這裡。 現在 我們 有 這 已安裝 線 使用 戴明 回歸。 以下 那 我們 有 這 報告。 這 報告 包括 一個 估計 的 這 截距。 我們 能 看 它是 小的 和 關閉 到 零。 我們 有 一個 估計 為了 這 坡。
使用 這 信心 間隔， 我們 看 那 它 包括 一， 哪個 我們 會 預計 如果 這 測試 方法 同意 和 這 標準。 那是 戴明 回歸。 現在， 是 去 到 拿 a 看 在 這 新的 方法 帕西-巴布洛克 回歸 在 刀刃- 奧特曼。 相同的 開始， 選擇 分析， 和 然後 選擇 合身 Y 經過 十。 我是 去 到 使用 這 記起 按鈕 這裡。 I 想 到 比較 方法 1 到 這 標準， 但 我是 去 到 使用 a 新的 回歸 技術。
患病的 點選 在 這 紅色的 三角形 和 選擇 合身 傳球——巴布洛克。 有 實際上 二 線 這裡。 有 a 紅色的 線 那 代表 這 最好的- 合身 線 使用 這 帕西-巴布洛克 回歸。 但 有 也, 為了 我們的 參考， a 線 那 代表 在哪裡 y 等於 x. 它是 難的 到 看。 我是 去 到 使用 這 放大鏡 工具 到 放大 a 很少 次。 現在 你 能 看 那 那裡 是， 在 事實， 二 分離 線。 一 是 這 身分 和 一 是 這 合身， 但 他們 重疊 相當 a 位元. 這些 是 相當 相似的。
在 這 數值 報告， 第一的 I 有 a 測試 為了 這 高的 積極的 相關性。 是 使用 肯德爾的 是的， 和 我們 能 看 那 它 是 高度 重要的。 我們 拒絕 這 主意 那 他們是 不是 強烈 相關。 下一個， 我們 有 a 測試 的 線性。 這裡， 這 測試 假設 那 他們是 線性，和 w 是 尋找 為了 強的 證據 反對 那。 但 我們 有 a 非常 高的 P 價值 這裡， 所以 我們 做 不是 拒絕 這 假設 那 他們是 線性的。 最後， 我們 有 這 範圍 估計 經過 使用 透過 —巴布洛克 回歸， 我們 有 這 觀點 估計， 我們 有 這 間隔 估計。
為了 這 截距， 那 間隔 包括 零， 所以 我們 不能 拒絕 一個 截距 的 零。 我們有 這 坡 是 包含 之內 一個 間隔 那 包括 一。 相似地， 我們 不能 拒絕 那 這 坡 的 那 線 是 平等的 到 一。 讓我們 說 我們會 也 喜歡 到 比較 這些 二 方法 經過 不同之處。 到 做 那， I 點選 在 這 紅色的 三角形 為了 這 選項 的 這 合身 傳球-巴布洛克 結果，以及 這裡 我們 看 這 命令 布蘭德-奧特曼 分析。 它 需要 全部 這 資訊 這裡 和 發射 匹配 對 和 這 額外的 資訊 在 這 布蘭德-奧特曼 分析。
這 陰謀 是 顯示 我們 在 這 Y 軸 這 成對 不同之處 之間 這 方法 一 和 這 標準 方法， 和 它是 繪製 反對 在 這 水平的 軸 是 這 意思是 的 那些 二 值。 這 布蘭德-奧特曼 分析 是 有幫助的 因為 它 給出 我們 一個 主意 關於 這 偏見。 所以 這裡 I 有 一個 估計 的 這 偏見 是 消極的 0.113， 但 我們 能 看 那 這 間隔 估計 的 這 偏見 包括 零， 所以 我們 不能 拒絕 這 主意 那 這 偏見 是 平等的 到 零 和 所以 在。 現在 我們 有 在 JMP® 17， a 很多 更多的 完全的 放 的 工具 為了 比較 不同的 測試 方法。 那 總結 我們的 推介會。 感謝 你。
