| Conférencier |
Transcription |
| Mike Anderson |
Salut. |
| |
Parlons de la nouvelle fonctionnalité de JMP 16, les limites de détection. |
| |
Ce dont je vais parler aujourd’hui est le contexte de la définition des limites de détection. |
| |
Je voudrais passer en revue quelques considérations statistiques, si vous ignorez les limites de détection. |
| |
J'ai regardé autour de moi et j'ai trouvé ce que je pense être une preuve concrète du manque de robustesse de certains produits conçus, en particulier les tests de diagnostic COVID-19, et ces produits intègrent les limites de détection. |
| |
Et enfin, je vais vous montrer comment utiliser réellement les limites de détection dans JMP, je vais vous montrer comment les saisir, comment les configurer dans la conception d'expériences et comment analyser vos données à l'aide des limites de détection. |
| |
Comment savoir si quelque chose est là ? |
| |
Cela peut sembler une question un peu ésotérique, mais lorsque vous utilisez une méthode analytique, il s'agit moins d'une question ésotérique que d'une question sur la qualité de votre système. |
| |
Ainsi, par exemple, si nous essayons de trouver une très petite quantité d'impureté dans quelque chose, à un moment donné, notre système, avec lequel nous détectons, ne sera pas en mesure de détecter des quantités inférieures à un certain niveau et cette limite est appelée la limite de détection. |
| |
Il existe de nombreux types différents de définitions des limites de détection. |
| |
Ils sont, |
| |
ils varient selon le domaine et également selon la méthode d'analyse, j'en ai donc mis quelques-uns ici, la FDA dit que pour un test de diagnostic moléculaire, la détection limitée est la concentration la plus faible d'une cible qui peut être détectée dans 95 % des mesures répétées. |
| |
Maintenant, si nous regardons ce que dit le monde de la chimie, il définit une méthode de détection limitée, comme la plus petite concentration ou quantité absolue |
| |
d'un analyte dont le signal est significativement plus fort que celui d'un blanc approprié. Ces deux définitions concernent donc intrinsèquement des méthodes différentes. |
| |
Et j'ai parcouru davantage de littérature et si vous faites quelque chose comme la chromatographie liquide haute performance, ils parlent de rapports signal sur bruit lorsque vous regardez les courbes. |
| |
Si vous créez des courbes d'étalonnage, il existe certaines méthodologies pour cela et il existe un certain nombre de définitions différentes. |
| |
Parmi les limites de détection, j'encouragerais donc tout le monde à aller chercher celle qui convient le mieux à sa méthode d'analyse et à suivre également les directives spécifiques à son secteur. |
| |
Dans JMP, |
| |
nous définissons les limites de détection, car... c'est une propriété de colonne et au-delà de laquelle |
| |
la réponse ne peut pas être mesurée, elle est donc limitée et ce que cela fait réellement lorsque nous analysons les données, c'est que cela va censurer les données. |
| |
Donc l'exemple que j'ai donné avant de chercher une très petite quantité d'impureté qui serait une limite inférieure et qui serait laissée censurée. |
| |
Mais cela pourrait également être une limite supérieure. Par exemple, si vous appliquez une pression sur un objet, votre manomètre peut s'arrêter à une certaine limite supérieure. |
| |
Vous pourriez en fait y appliquer plus de pression, mais votre jauge ne va tout simplement pas plus haut et ce serait une limite supérieure et ces données seraient correctement censurées, mais elles sont toutes traitées exactement de la même manière dans JMP. |
| |
Je voudrais donc vous donner un exemple de ce qui se passerait si nous ignorions les limites de détection lorsque nous analysons nos données. |
| |
Donc dans cet exemple, |
| |
l'histogramme ci-dessous, vous pouvez voir, j'ai une vraie population, et ce sont toutes mes barres vertes mais supposons que j'ai une détection limitée. |
| |
À 10 et je ne peux pas obtenir une mesure précise en dessous de cela, donc ce n'est pas zéro. |
| |
Je ne sais pas quelle quantité de la chose, de ce que j'essaie de mesurer, est présente, donc combien de particules il y a, donc la méthode statistique correcte pour cela est encore une fois la censure et il y a une très bonne conférence de Michael Crotty de JMP dans Discovery 2017 |
| |
et si vous souhaitez plus de détails statistiques, vous devriez aller voir son exposé. |
| |
Très bien, passons en revue cet exemple, disons que nous avons cette détection limitée de 10 et |
| |
ce que nous allons faire, c'est traiter cette partie de la population comme |
| |
que nous ne savons pas vraiment ce que c'est, alors |
| |
ici j'ai un histogramme donc encore une fois à droite voici ma vraie population. |
| |
Et j'ai quelques scénarios différents ici, donc si disons que ma limite de détection est de 10 |
| |
et puis une autre fois c'est 11 et puis c'est 12. Donc ce que je fais ici, c'est que je prends ces données et je les pousse vers 10. |
| |
Laissez-moi vous montrer à quoi cela ressemble. Ce n'est pas quelque chose qui se produit automatiquement avec les limites de détection ; c'est un exemple que j'ai construit. |
| |
Donc, si vous regardez, par exemple, la ligne 7, ma vraie valeur est 9,22. |
| |
Mais si j'ai une limite de détection de 10. |
| |
Alors je ne le suis pas, je ne connais pas réellement cette valeur de 9,22 et le mieux que je puisse faire est de simplement l'écrire à 10. |
| |
Alternativement, je pourrais le mettre comme manquant ou nul, mais je pense que 10 pourrait être un peu plus réaliste. |
| |
Maintenant, si ma détection limitée était de 11, je devrais déplacer ce nombre jusqu'à 11 et, de même, si ma détection limitée était de 12, je déplacerais ce point de données et le transformerais en 12. |
| |
Donc ce que nous voyons, c'est que si vous regardez ici, au 12, j'ai vraiment regroupé mes données ici. |
| |
L'effet que cela a sur la moyenne est que, dans ma vraie population, ma moyenne est d'environ 10,5. |
| |
Quant à 10, il passe à 10,7, puis ma moyenne augmente, il atteint 11,2, puis il atteint 12. En fait, la moyenne est à cette limite de détection lorsque je prends toutes ces valeurs et les transforme en cette limite inférieure. |
| |
Je m'éloigne donc beaucoup de ma vraie moyenne ici de 10,5. |
| |
Mais regardez ce qui arrive à nos mesures de variation ; mon écart type est de un dans ma vraie population, |
| |
et il passe à 0,8 si la limite de détection est de 10, puis il passe à 0,4 pour 11, puis jusqu'à 0,2. |
| |
Mes mesures de variation deviennent donc plus petites et je suis donc de plus en plus confiant dans la mesure que je fais réellement, qui est très éloignée de ce qu'est réellement la population. |
| |
J'ai donc résumé cela dans les graphiques suivants, au milieu ici, vous pouvez voir, j'ai ma vraie population. |
| |
Et je relie les moyens des autres où j'ai imposé ce faux niveau de détection et vous pouvez voir que les moyens deviennent considérablement plus élevés et plus éloignés de la vérité. |
| |
Les barres ici représentent l'écart type et vous pouvez voir qu'elles deviennent plus petites, puis l'ombrage orange représente l'intervalle de confiance à 95 % de mon nom. |
| |
Ici, à droite, sur le graphique supérieur, j'ai en fait représenté graphiquement la moyenne et la médiane et vous pouvez voir qu'elles se comportent de manière similaire, |
| |
ce qui est surprenant car on pourrait penser que la médiane serait un peu plus robuste mais ce n'est pas le cas dans cette situation, cela ne vous aide vraiment pas. |
| |
Et en dessous, j'ai mes mesures de variation et vous pouvez voir qu'elles deviennent plus petites à mesure que nous imposons ces limites de plus en plus élevées. |
| |
On dirait qu'on s'en sort plutôt bien, non ? Ma confiance dans ma mesure de la moyenne est de plus en plus grande. |
| |
c'est assez petit, mais la vérité c'est que je m'éloigne de plus en plus de cette véritable valeur de population et je deviens de plus en plus confiant à mesure que je m'éloigne. |
| |
Il s’agit donc d’une véritable préoccupation : vous ne serez pas nécessairement en mesure de détecter ce qui se passe réellement et vous aurez de fausses certitudes sur certaines choses. |
| |
Ainsi, lorsque nous étendons les limites de détection aux expériences conçues, |
| |
ce que vous allez voir dans une DÉMO dans un instant, c'est que nous n'allons pas trouver nos facteurs critiques, et nous ne découvrirons pas non plus la véritable relation entre nos facteurs. |
| |
Maintenant, avant de vous montrer cela dans JMP, j'ai vraiment examiné la littérature et essayé de trouver des preuves du monde réel, là où je pensais pouvoir trouver un manque de robustesse |
| |
En lien avec les limites de détection d'un produit conçu. J'ai découvert une intéressante comparaison interne avec les tests de diagnostic de la COVID-19. |
| |
Donc, début 2020, |
| |
il y a eu plus de 20 tests pour lesquels la FDA a accordé une autorisation d'utilisation d'urgence. |
| |
Et ce sont tous des tests PCR en temps réel et ils testent la charge virale, donc le nombre de copies du génome du virus que vous avez. |
| |
Au début, comme il n’y avait pas de norme – parce que c’était quelque chose de totalement nouveau que nous n’avions jamais vu auparavant – les entreprises pouvaient développer et utiliser leur propre norme interne. |
| |
Plus tard dans l'année, la FDA a créé sa propre norme et l'a publiée, puis a réévalué les tests diagnostiques. Je peux donc comparer ces deux points temporels différents du même test en utilisant des normes différentes. |
| |
J'ai donc décidé de classer les tests par ordre de priorité. Comment savoir si un bon test est bon ou mauvais ? Comment vais-je les classer par ordre de priorité ? |
| |
Eh bien, nous pouvons examiner la relation analytique entre la charge virale, qui est à nouveau le nombre de copies du génome que le virus produit |
| |
et la sensibilité clinique du test diagnostique. Sur l'axe des abscisses, nous avons le nombre de copies du génome par millilitre, soit la charge virale. |
| |
Et les plus petits détectent les cas bénins. Et ici, tout à droite, nous ne détecterons que les individus extrêmement infectés, donc les super-propagateurs. |
| |
L'axe des Y représente la proportion de cas détectés. Il s'agit là encore de preuves tangibles. Cette ligne noire montre qu'il existe une corrélation entre la sensibilité clinique et la qualité du dépistage. |
| |
Je suis désolé, à quel point c'est petit |
| |
Nous pouvons détecter la charge virale. Détecter une charge virale plus faible est donc une bonne chose, et c'est ce que j'utilise pour le classement. |
| |
J'ai donc deux points temporels différents, le 2 avril et le 15 septembre, puis pour chaque point temporel, j'ai établi l'ordre de priorité de la limite de détection basée sur chaque norme. |
| |
Ainsi, si des tests de diagnostic sont réalisés, s’ils sont réalisés de manière robuste, nous nous attendrions plus ou moins au même ordre de classement et à des limites de détection similaires. |
| |
S’il y avait un manque de robustesse dans la manière dont ces tests ont été conçus, alors nous nous attendrions à voir un changement dans l’ordre de classement et des limites de détection variables. |
| |
Alors qu'est-ce que j'ai trouvé ? |
| |
J'ai donc représenté graphiquement les données que j'ai trouvées, et j'ai quatre |
| |
panneaux ici dans mon graphique. |
| |
Et dans chaque panneau, je connecte le même test diagnostique à deux dates différentes. Par exemple, sur la ligne violette à gauche, je connecte |
| |
le rang du 2 avril à celui du 15 septembre et ce test de diagnostic particulier était initialement classé 16e, puis il est allé jusqu'au numéro 1. |
| |
J'ai également tracé un graphique des limites finales de détection. Ce résultat aurait été bien pire dans un autre panneau si j'avais tracé la valeur initiale du 2 avril. Voici donc la valeur finale. |
| |
Donc ce test s'est beaucoup amélioré et ce que nous voyons, c'est qu'il y a quelques autres tests qui ont considérablement augmenté leur capacité à détecter une augmentation spectaculaire |
| |
la limite de détection et leur capacité à détecter des charges virales de plus en plus petites. |
| |
Mais nous voyons aussi des tests qui sont devenus bien pires et qui, encore une fois, changent de plusieurs ordres de grandeur. Par exemple, celui du bas ici en rouge, c'était le 2 avril le troisième meilleur test, mais il est ensuite tombé jusqu'au numéro 14. |
| |
Je pense donc que cela montre qu'en général, il s'agit simplement d'un manque de robustesse et de la manière dont ces tâches ont été initialement réalisées. |
| |
Je ne sais pas comment ces tests ont été réalisés. |
| |
Je ne sais pas s'ils ont utilisé JMP, une expérience conçue et des limites de détection, mais je pense que l'application de ce type de techniques pourrait certainement rendre tout ce qui utilise des limites de détection beaucoup plus robuste. |
| |
Alors allons voir JMP. |
| |
Alors, comment puis-je définir des limites de détection ? |
| |
Vous pouvez le faire directement dans le concepteur personnalisé. Il y a désormais une zone de saisie permettant de saisir simplement les limites de détection. |
| |
Lorsque vous effectuez cette opération dans le concepteur personnalisé sur votre table de sortie, cela crée une propriété de colonne qui contient les limites de détection. |
| |
Lorsque vous analysez cela dans une régression généralisée, la régression généralisée traitera, |
| |
utilisera ces limites de détection et traitera les variables en dehors de ces limites de détection comme des valeurs censurées. |
| |
Laissez-moi vous montrer comment faire cela dans JMP. |
| |
Voici donc à quoi ressemblerait un tableau de données que j'ai configuré dans le cadre de la conception d'expériences. Je suis donc arrivé ici en allant chez DOE, concepteur personnalisé. |
| |
Et vous pouvez voir ici où je placerais mes limites de détection pour chacune de mes réponses. |
| |
C'est ennuyeux de me regarder taper, alors laissez-moi vous montrer comment j'ai déjà cette configuration pour cette table de données particulière. |
| |
Et là, j’ai plusieurs réponses. |
| |
J'ai plusieurs types de limites de détection : j'ai donc une limite supérieure et une limite inférieure pour certaines de mes réponses. Vous pouvez avoir une limite unilatérale dans les deux sens. |
| |
Donc ici, j'ai juste une limite de détection inférieure, et ici j'ai juste une limite de détection supérieure. |
| |
Et vous pouvez certainement le laisser vide si vous n'avez pas de limite de détection. |
| |
Et si on regarde. |
| |
Dans le tableau de données, ce que nous pouvons voir, c'est que vous pouvez réellement voir cela comme une limite de détection. |
| |
Mais je peux sélectionner tout cela. |
| |
Il suffit de les parcourir pour voir à quoi ressemble la limite de détection. Il s'agit donc simplement d'un autre élément dans la propriété de la colonne. Voici donc mes valeurs supérieure et inférieure. |
| |
Et encore une fois, j'ai un haut et un bas. |
| |
Sur celui-ci, c'est juste ma limite inférieure et sur le suivant, c'est juste ma limite supérieure. |
| |
Or, la viscosité n'en a pas du tout, donc si je voulais revenir en arrière et l'ajouter manuellement ou si vous utilisez des limites de détection pour l'analyse, mais que vous ne l'avez pas configuré dans une expérience de conception, |
| |
Vous pouvez simplement accéder aux propriétés de la colonne et les afficher dans la liste. Toutes ces propriétés s'appliquent à une expérience planifiée. |
| |
Ajoutez simplement des limites de détection, puis nous pouvons simplement saisir la valeur souhaitée, par exemple 1 300. |
| |
Et |
| |
pour une limite unilatérale. |
| |
Et cela devrait simplement l'ajouter et alors il sera là. |
| |
C'est ainsi que vous obtenez des limites de détection. |
| |
tables de données et propriétés des colonnes. |
| |
Très bien, parlons maintenant de la manière d’analyser les données qui ont des limites de détection. |
| |
Donc pour cela, je souhaite analyser une expérience qui a été mise en place avec un concepteur personnalisé et le but de cette expérience était d'optimiser la détermination d'un pesticide à partir d'échantillons d'eau. |
| |
Il s'agit d'une expérience à trois facteurs et elle a comporté 32 exécutions et une conception optimale. |
| |
Neuf de ces observations étaient inférieures à la limite de détection de 1 %. |
| |
Je vais donc vous montrer comment analyser les données dans JMP. |
| |
Mais je veux aussi faire cette comparaison supplémentaire. Et si nous n'utilisions pas ou n'avions pas de limites de détection ? |
| |
Eh bien, ma détection limitée est de 1 % et encore une fois, nous ne sommes pas certains de ce que sont ces valeurs réelles, donc je suppose que nous pourrions prendre zéro pour un cas et ensuite. |
| |
Donc, il n'y a pas de pesticide dans l'échantillon d'eau, ou on peut dire qu'il se situe juste à la limite de détection et utiliser la valeur de 1. Voilà donc les deux scénarios possibles. Et ce que vous allez voir, c'est que si on n'utilise pas les limites de détection… |
| |
nous n'allons pas trouver tous nos facteurs et nos résultats seront en fait très trompeurs et inexacts. |
| |
Alors laissez-moi vous montrer comment faire cela dans JMP. |
| |
Voilà donc ce que je... |
| |
la conception ressemble à ceci, j'ai donc Metacrate comme réponse et voici mes limites supérieure et inférieure de détection. |
| |
Voici mes trois facteurs. |
| |
Et je viens de faire une surface de réponse |
| |
concevoir donc c'est chacun |
| |
facteur, puis le quadratique et l'interaction bidirectionnelle et j'ai fini par faire une conception de 32 exécutions. |
| |
Voici à quoi ressemblent les données. |
| |
Donc encore une fois, ce sont les résultats de ma conception d'expérience et dans les cas où j'ai |
| |
zéro, c'est donc ce que dit ma machine, ma machine a dit que je n'avais rien détecté, mais le vrai cas est qu'il est censuré, et c'est là que se trouvent mes limites de détection, depuis la configuration de ma conception d'expérience. |
| |
Et nous allons analyser cela avec une régression généralisée. |
| |
Il fait des limites de détection ou non dans les moindres carrés réguliers. Donc, même si je pouvais exécuter ce script, je veux vous montrer comment je l'ai réellement configuré. |
| |
J'ai donc Metacrate comme variable de résultat et nous allons utiliser la régression généralisée. |
| |
Et ici, la distribution normale est correcte et correspond aux données, mais elle donne lieu à des valeurs de prédiction négatives et il n'existe pas de valeur négative pour la quantité de pesticide dont je dispose. |
| |
Donc, pour le garder positif, je vais en fait changer cela en log normal afin que toutes mes valeurs de prédiction soient positives. |
| |
Et notez que je n'ai rien à mettre pour la censure, j'ai l'option ici mais JMP s'en chargera automatiquement. |
| |
Lorsque nous effectuons une analyse de conception d'expérience et généralisons la régression, la sélection directe est un bon choix, elle est très similaire à la réalisation d'une régression par étapes ou par étapes que vous connaissez peut-être |
| |
dans la plateforme de modèles d'ajustement. |
| |
Donc, ce que nous pouvons voir dans le résumé de mon modèle, c'est qu'il me rappelle qu'il a des limites de détection. |
| |
Et mon RSquare est de 0,91, donc c'est un très bon ajustement. |
| |
Et si nous regardons les détails de ce qui se passe ici, |
| |
si vous n'êtes pas familier avec un chemin de solution et que vous généralisez la régression, ce que vous regardez, c'est la façon dont les paramètres sont entrés dans le modèle, donc encore une fois, c'est une sélection directe, |
| |
et ensuite ils sont mis à l'échelle en fonction de leur ampleur d'effet, donc le premier qui est entré est mon dichlorométhane, et il a un effet positif sur le résultat. |
| |
Mais le quadratique est arrivé ensuite, et il a un négatif, |
| |
un effet négatif, donc littéralement une estimation négative. |
| |
Et donc, c'est amusant à voir et à utiliser et, dans l'ensemble, le meilleur modèle basé sur le score AIC minimal comporte cinq étapes. |
| |
Maintenant, j'aime visualiser l'équation, avec le profileur de prédiction. |
| |
Et je vais juste simplifier cela pendant une minute et le rendre un peu plus grand. |
| |
Donc, ce que le profileur de prédiction nous montre, c'est notre variable de résultat Metacrate et c'est l'axe des y ici, puis chaque carré est l'un des facteurs de notre expérience. |
| |
Et ce que nous regardons, c'est l'équation, ou la relation |
| |
Graphiquement. Nous pouvons donc observer les interactions, car la forme des autres facteurs change lorsque je modifie ce paramètre, et vous pouvez constater une forte courbure de ces paramètres. |
| |
J'ai aussi mon réel par prédit |
| |
intrigue et ça a l'air plutôt bien. |
| |
Je souhaite donc maximiser la quantité de Metacrate détectable, et c'est pourquoi j'ai mené mon expérience. Je vais donc demander à JMP de trouver le niveau maximal. |
| |
Et ce qu'il a trouvé, c'est que la quantité maximale de Metacrate que j'ai pu détecter est de 38,6. |
| |
Et c'est pour ces paramètres de facteurs, donc mon échantillon d'eau est juste en dessous de six pour cette quantité de méthanol et cette quantité de dichlorométhane. |
| |
Voilà donc le résultat de mon expérience, et je voudrais revenir en arrière et tester cela pour m'assurer que cela fonctionne. |
| |
Et maintenant, que se passerait-il si j'ignorais les limites de détection et que j'essayais simplement autre chose ? |
| |
Donc ici, j'ai exactement les mêmes données. |
| |
Avec Metacrate, j'ai ajouté deux colonnes. J'ai dit qu'une d'elles était peut-être à la limite inférieure, mais à un, n'est-ce pas ? Au lieu de zéro, j'ai simplement remplacé ces valeurs par un. |
| |
Et puis, alternativement, eh bien, et si rien n'était trouvé dans ces échantillons, et alors ce serait zéro et dans ce cas je ne peux pas utiliser zéro parce que c'est un log normal, donc j'ai juste choisi une toute petite valeur |
| |
donc un fois 10 à la puissance moins 12 à droite donc point .00000000001 je pense que c'est le bon nombre de zéros. |
| |
Analysons donc les données avec ces deux conditions et encore une fois, nous n'allons pas utiliser les limites de détection. |
| |
Donc, au lieu de Metacrate, je vais mettre le premier, où nous allons simplement réinitialiser toutes ces valeurs, ces valeurs juste à la limite inférieure de détection. |
| |
Nous allons faire une sélection avancée. |
| |
Donc il n'y a pas, vous pouvez voir qu'il n'y a pas de limites de détection ici comme il y en avait avant, mon RSquare est juste en dessous de 0,7. |
| |
Mais vous pouvez voir à la fois mon chemin de solution et mon tableau d'estimation des paramètres, |
| |
Je n'ai que trois étapes, des étapes en avant dans ma modélisation et je n'ai pas retenu beaucoup de choses, j'ai beaucoup d'espaces vides ici et, si nous regardons la photo de mon |
| |
équation ici dans le profileur, vous pouvez voir qu'il me manque en fait un de mes facteurs, nous pouvons le comparer à celui-ci ici, j'ai totalement raté le méthanol. |
| |
Et si je maximise |
| |
pour trouver la plus grande quantité de Metacrate que j'ai pu trouver, c'est seulement environ 16. |
| |
Et mon intrigue actuelle, telle que prévue, n'a pas l'air très bonne, elle n'a pas l'air très heureuse. |
| |
C'est donc une situation, n'est-ce pas ? Et encore une fois, nous avons complètement raté l'un de nos facteurs, nous ne l'avons tout simplement pas détecté. |
| |
Et puis regardons l'autre situation si, au lieu d'un, que se passe-t-il si c'est presque zéro ? |
| |
Pas tout à fait zéro mais très, très proche. |
| |
Sélection avant. |
| |
Encore une fois, nous n'utilisons pas de limites de détection ici, mais regardez ceci, mon RSquared est de 0,997. |
| |
Il pense donc avoir trouvé une très bonne adéquation. |
| |
Mais il y a encore quelque chose d'étrange qui se passe ici, je n'ai que trois étapes dans mon modèle, je n'ai pas vraiment trouvé grand-chose du tout, j'ai trouvé |
| |
mon dichlorométhane et j'ai à peine fini de récupérer mon volume d'échantillon. |
| |
Si nous regardons le profileur de prédiction Predict. |
| |
Encore une fois, il me manque du méthanol, donc je n'ai pas l'un de mes facteurs, mon tracé réel par rapport au tracé prédit semble moyen, mais que diable se passe-t-il ici, où diable se trouve le sommet de ma courbe. |
| |
Je vais activer cet axe Y adaptatif, pour m'assurer de pouvoir tout voir. |
| |
Et il a des valeurs de prédiction qui se chiffrent en centaines et si je... |
| |
Je ne le ferai pas. Je pourrais utiliser la commande « Maximiser la désirabilité », mais vous voyez que c'est plus de 470, même si je sélectionne manuellement quelque chose. N'oubliez pas : |
| |
ma limite de détection était de 99, donc ces valeurs n'ont même pas de sens. |
| |
Et |
| |
J'ai oublié un facteur, cela n'a pas de sens, mais une partie de la raison pour laquelle je veux vraiment montrer cet exemple est que j'ai vu cela chez les clients, |
| |
et je ne pouvais pas leur expliquer ce qui se passait, donc je sais que cela se produit réellement si les gens n'utilisent pas les limites de détection, |
| |
vous obtenez un résultat très, très étrange parce que vous avez pris une décision sur la façon de traiter les données dans votre analyse, vous les avez traitées soit comme un un, soit comme un zéro. |
| |
Dans ce cas, ce sont les deux scénarios alternatifs, mais ils sont loin, très loin de la réalité réelle de la capacité réelle à détecter ce pesticide dans l’eau, et du résultat de mon expérience de conception. |
| |
Donc. |
| |
Les points clés que je souhaite vraiment que tout le monde retienne sont, en premier lieu, les limites de détection, qui sont très importantes. |
| |
Et vous ne devez pas les ignorer et ne pas les remplacer par celui avec la valeur élevée ou faible et vous êtes vraiment |
| |
Vous devez intégrer cette incertitude dans l'analyse. JMP facilite grandement cette tâche. Vous pouvez le faire dans la plateforme de plans d'expériences ou dans une propriété de colonne. |
| |
Et puis, une fois qu'ils sont là, en utilisant la régression généralisée, vous pouvez faire une analyse qui intègre les limites de détection et cela vous donnera le meilleur modèle, vous trouverez vos facteurs et les relations réelles entre eux. |
| |
Et enfin, chez JMP, nous encourageons vraiment les gens à revenir en arrière et à réanalyser les données, là où vous avez peut-être vu certains de ces résultats étranges. |
| |
Il se pourrait que ce soit le cas pour vous, vous devriez savoir quand vous avez une limite de détection basée sur une sorte de méthode analytique |
| |
et nous pensons vraiment que les gens devraient revenir en arrière et réanalyser ces données et utiliser des limites de détection dans la conception de vos expériences pour vous permettre d'atteindre votre objectif beaucoup plus rapidement et avec beaucoup plus de précision. |
| |
Merci beaucoup d'avoir écouté mon exposé et si vous avez des questions ou souhaitez un suivi, n'hésitez pas à me contacter. |
