756806_de-DE

liliconcom

Die neuen JMP 16-Nachweisgrenzen in der Versuchsplanung und Datenanalyse (2021-US-30MP-879)

Laura Higgins, JMP Global Technical Enablement Engineer, SAS JMP

JMP 16 bietet neue Funktionen in seiner DOE-Plattform, die die Nachweisgrenzen in die Spalteneigenschaften integrieren und bei der Modellierung mit der verallgemeinerten Regressionsplattform von JMP Pro automatisch anwenden. Ich stelle diese neuen Funktionen vor und erläutere die Auswirkungen der Nachweisgrenzen auf die Datenanalyse.

Bei der Suche nach sehr geringen Mengen einer Substanz sind wir durch die eingesetzte Technologie eingeschränkt. Eine Substanz könnte zwar vorhanden, aber nicht nachweisbar sein – die untere Nachweisgrenze – und ist von enormer praktischer Bedeutung für den Nachweis geringer Konzentrationen einer Substanz in kritischen Situationen, beispielsweise bei der Erkennung des Beginns einer Infektion oder der korrekten Identifizierung geringer Mengen von Verunreinigungen. Das Ignorieren der Nachweisgrenzen bei der Datenanalyse hat schwerwiegende Folgen; grundlegende Statistiken wie Mittelwerte und Konfidenzintervalle werden verzerrt und irreführend. Die Modellierung von Daten mit falschen Annahmen über die Nachweisgrenzen führt zu fehlerhaften Modellen. Nachweisgrenzen haben Auswirkungen auf industrielle Anwendungen wie die pharmazeutische und chemische Herstellung, die analytische Chemie und die Entwicklung diagnostischer Tests.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
Mike Anderson	Hallo.
	Lassen Sie uns über die neue Funktion in JMP 16 sprechen: Nachweisgrenzen.
	Heute werde ich über die Hintergründe der Definition von Nachweisgrenzen sprechen.
	Ich möchte einige statistische Überlegungen anstellen, wenn Sie die Nachweisgrenzen ignorieren.
	Ich habe mich umgesehen und meiner Meinung nach einige reale Beweise für die mangelnde Robustheit einiger entwickelter Produkte gefunden, insbesondere bei COVID-19-Diagnosetests, und diese Produkte berücksichtigen die Nachweisgrenzen.
	Und schließlich zeige ich Ihnen, wie Sie die Nachweisgrenzen in JMP tatsächlich verwenden. Ich zeige Ihnen, wie Sie sie eingeben, wie Sie sie im Versuchsplan einrichten und wie Sie Ihre Daten mithilfe von Nachweisgrenzen analysieren.
	Woher wissen wir, ob da etwas ist?
	Das mag ein wenig wie eine esoterische Frage klingen, aber wenn Sie eine analytische Methode verwenden, ist es weniger eine esoterische Frage, sondern eher eine Frage darüber, wie gut Ihr System ist.
	Wenn wir beispielsweise versuchen, eine sehr kleine Menge an Verunreinigungen in etwas zu finden, wird unser System, mit dem wir dies tun, irgendwann nicht mehr in der Lage sein, Mengen zu erkennen, die unter einem bestimmten Wert liegen, nämlich unter der sogenannten Nachweisgrenze.
	Es gibt viele verschiedene Definitionen von Nachweisgrenzen.
	Sie sind,
	Sie variieren je nach Fachgebiet und auch je nach Analysemethode, daher habe ich hier ein paar aufgeführt. Laut FDA ist bei einem molekulardiagnostischen Test die begrenzte Nachweisbarkeit die niedrigste Konzentration eines Ziels, die in 95 % der wiederholten Messungen nachgewiesen werden kann.
	Wenn wir uns nun ansehen, was die Chemie sagt, definiert sie eine Methode als begrenzte Nachweisgrenze, als die kleinste Konzentration oder absolute Menge
	eines Analyten, dass das Signal deutlich größer ist als bei einem geeigneten Leerwert. Bei diesen beiden Definitionen handelt es sich also grundsätzlich um unterschiedliche Methoden.
	Und ich habe noch mehr Literatur durchgesehen, und wenn man so etwas wie Hochleistungsflüssigkeitschromatographie macht, wird beim Betrachten der Kurven über Signal-Rausch-Verhältnisse gesprochen.
	Wenn Sie Kalibrierungskurven erstellen, gibt es dafür bestimmte Methoden und eine Reihe unterschiedlicher Definitionen.
	Ich würde daher jedem empfehlen, die Nachweisgrenze zu finden, die für seine Analysemethode am sinnvollsten ist, und sich dann auch an die branchenspezifischen Richtlinien zu halten.
	In JMP
	Wir definieren die Grenzen der Erkennung, da es sich um eine Spalteneigenschaft handelt und jenseits derer
	Die Reaktion kann nicht gemessen werden, daher ist sie begrenzt. Und was dies bei der Analyse der Daten tatsächlich bewirkt, ist, dass die Daten zensiert werden.
	Das Beispiel, das ich zuvor gegeben habe, nämlich die Suche nach einer sehr kleinen Menge an Verunreinigung, würde eine Untergrenze darstellen und zensiert bleiben.
	Es könnte sich aber auch um eine Obergrenze handeln. Wenn Sie beispielsweise Druck auf ein Objekt ausüben, kann Ihr Druckmesser an einer Obergrenze stehen bleiben.
	Sie könnten tatsächlich mehr Druck darauf ausüben, aber Ihr Messgerät geht einfach nicht höher und das wäre eine Obergrenze und diese Daten würden rechts zensiert, aber sie werden in JMP alle auf genau dieselbe Weise behandelt.
	Ich möchte anhand eines Beispiels zeigen, was passieren würde, wenn wir bei der Analyse unserer Daten die Nachweisgrenzen einfach ignorieren.
	In diesem Beispiel
	Im Histogramm unten können Sie sehen, dass ich eine echte Population habe und das sind alles meine grünen Balken, aber nehmen wir an, dass ich eine begrenzte Erkennung habe.
	Bei 10 und darunter kann ich keine genaue Messung durchführen, es ist also nicht Null.
	Ich weiß nicht, wie viel von dem Ding, was auch immer ich zu messen versuche, da ist, also wie viele Partikel es gibt, also ist die richtige statistische Methode hierfür wieder die Zensur und es gibt einen sehr guten Vortrag von Michael Crotty von JMP in Discovery 2017
	und wenn Sie weitere statistische Details wünschen, sollten Sie sich seinen Vortrag ansehen.
	Okay, also gehen wir dieses Beispiel durch. Nehmen wir an, wir haben diese begrenzte Erkennung von 10 und
	Wir werden diesen Teil der Bevölkerung behandeln als
	dass wir nicht wirklich wissen, was es ist, also
	hier habe ich ein Histogramm, also ist hier rechts wieder meine wahre Bevölkerung.
	Und ich habe hier ein paar verschiedene Szenarien. Nehmen wir also an, meine Nachweisgrenze liegt bei 10
	und dann ist es ein anderes Mal 11 und dann ist es 12. Was ich hier also mache, ist, dass ich diese Daten nehme und sie tatsächlich in Richtung 10 hochschiebe.
	Ich zeige Ihnen, wie das aussieht. Das passiert nicht automatisch innerhalb der Nachweisgrenzen, sondern ist ein Beispiel, das ich selbst erstellt habe.
	Wenn Sie sich beispielsweise Zeile 7 ansehen, beträgt mein wahrer Wert 9,22.
	Aber wenn ich eine Nachweisgrenze von 10 habe.
	Dann kenne ich den Wert von 9,22 nicht und könnte ihn höchstens mit 10 aufschreiben.
	Alternativ könnte ich es als fehlend oder Null eintragen, aber ich denke, 10 wäre vielleicht etwas realistischer.
	Wenn meine begrenzte Erkennung 11 wäre, müsste ich diese Zahl auf 11 erhöhen. Und wenn meine begrenzte Erkennung 12 wäre, müsste ich diesen Datenpunkt verschieben und ihn in eine 12 umwandeln.
	Was wir also sehen, ist, dass ich meine Daten hier besonders gebündelt habe, wenn Sie hier auf 12 schauen.
	Dies hat Auswirkungen auf den Mittelwert: In meiner tatsächlichen Bevölkerung liegt mein Mittelwert bei etwa 10,5.
	Bei 10 geht es auf 10,7, und dann steigt mein Mittelwert, er erreicht 11,2 und dann 12. Tatsächlich liegt der Mittelwert an der Nachweisgrenze, wenn ich alle diese Werte nehme und sie in diese Untergrenze umwandle.
	Ich entferne mich also weit, weit von meinem wahren Mittelwert von 10,5.
	Aber sehen Sie, was mit unseren Variationsmaßen passiert; meine Standardabweichung beträgt eins in meiner wahren Population,
	und er geht auf 0,8, wenn die Nachweisgrenze 10 ist, dann geht er auf 0,4 bei 11 und dann ganz runter auf 0,2.
	Meine Variationsmaße werden also kleiner und ich vertraue immer mehr auf die Messung, die ich tatsächlich vornehme, denn sie ist weit entfernt von der tatsächlichen Population.
	Ich habe das in den folgenden Grafiken zusammengefasst. Hier in der Mitte sehen Sie meine tatsächliche Bevölkerungszahl.
	Und ich verbinde die Mittelwerte mit den anderen, denen ich diese falsche Erkennungsstufe auferlegt habe, und Sie können sehen, dass die Mittelwerte dramatisch höher werden und sich immer weiter von der Wahrheit entfernen.
	Die Balken hier stellen die Standardabweichung dar und Sie können sehen, dass diese kleiner werden. Die orangefarbene Schattierung stellt das 95 %-Konfidenzintervall meines Namens dar.
	Hier rechts im oberen Diagramm habe ich sowohl den Mittelwert als auch den Median dargestellt und Sie können sehen, dass sie sich auf ähnliche Weise verhalten.
	Das ist überraschend, denn man sollte meinen, der Median wäre etwas robuster, aber in dieser Situation ist das nicht der Fall und er hilft Ihnen wirklich nicht weiter.
	Und darunter habe ich meine Variationsmaße und Sie können sehen, dass sie kleiner werden, wenn wir diese immer höheren Grenzen festlegen.
	Es sieht also so aus, als ob wir wirklich gut vorankommen, oder? Mein Vertrauen in die Messung meines Mittelwerts nimmt wirklich ab,
	ziemlich klein, aber die Wahrheit ist, dass ich mich immer weiter von diesem wahren Bevölkerungswert entferne und ich werde zuversichtlicher, je weiter ich mich entferne.
	Es besteht also wirklich die Sorge, dass Sie nicht unbedingt erkennen können, was wirklich vor sich geht, und dass Sie in Bezug auf die Dinge ein falsches Vertrauen haben.
	Wenn wir also die Nachweisgrenzen in geplanten Experimenten erweitern,
	was Sie in Kürze in einer DEMO sehen werden, ist, dass wir unsere kritischen Faktoren nicht finden und auch nicht die wahre Beziehung zwischen unseren Faktoren entdecken werden.
	Bevor ich Ihnen dies in JMP zeige, habe ich die Literatur gründlich durchgesehen und versucht, einige reale Beweise zu finden, bei denen ich dachte, ich könnte einen Mangel an Robustheit feststellen
	im Zusammenhang mit den Nachweisgrenzen eines entwickelten Produkts. Und ich habe festgestellt, dass es einen guten internen Vergleich mit COVID-19-Diagnosetests gibt.
	Anfang 2020
	Es gab mehr als 20 Tests, für die die FDA eine Notfallzulassung erteilte.
	Dabei handelt es sich um Echtzeit-PCR-Tests, mit denen die Viruslast gemessen wird, also wie viele Kopien des Virusgenoms vorhanden sind.
	Da es zunächst keinen Standard gab – es war etwas völlig Neues, das wir noch nie zuvor gesehen hatten – konnten Unternehmen ihren eigenen internen Standard entwickeln und verwenden.
	Später im selben Jahr entwickelte die FDA einen eigenen Standard, veröffentlichte ihn und bewertete die Diagnosetests neu. So kann ich zwei verschiedene Zeitpunkte desselben Tests anhand unterschiedlicher Standards vergleichen.
	Ich habe mich also entschieden, die Tests einfach in eine Rangfolge zu bringen. Woher weiß man, was ein guter und ein schlechter Test ist? Wie ordne ich diese?
	Nun, wir können die analytische Beziehung zwischen der Viruslast betrachten, die wiederum die Anzahl der Genomkopien ist, die das Virus erstellt
	und die klinische Sensitivität des diagnostischen Tests. Hier auf der X-Achse haben wir also, wie viele Genomkopien pro Milliliter vorhanden sind, also die Viruslast.
	Und kleiner erkennt leichte Fälle. Und wenn wir hier ganz nach rechts kommen, erkennen wir wirklich nur sehr schwer infizierte Personen, also Superspreader.
	Und was die Y-Achse hier ist, ist der Anteil der erkannten Fälle. Und auch hier handelt es sich um einen echten Beweis. An der schwarzen Linie können wir erkennen, dass es eine klinische Sensitivitätsbeziehung dazu gibt, wie gut …
	Es tut mir leid, wie klein ein
	Viruslast, die wir erkennen können. Es ist also gut, eine geringere Viruslast zu erkennen, und das ist es, was ich für die Rangfolge verwende.
	Ich habe also zwei verschiedene Zeitpunkte, den 2. April und den 15. September, und dann habe ich für jeden Zeitpunkt die Rangfolge der Nachweisgrenzen basierend auf den einzelnen Standards erstellt.
	Wenn also Diagnosetests durchgeführt werden und diese auf robuste Weise durchgeführt werden, würden wir mehr oder weniger die gleiche Rangfolge und ähnliche Nachweisgrenzen erwarten.
	Wenn es bei der Konzeption dieser Tests an Robustheit mangelt, würden wir eigentlich eine Änderung der Rangfolge und unterschiedliche Nachweisgrenzen erwarten.
	Also, was habe ich gefunden?
	Hier habe ich die Daten, die ich gefunden habe, grafisch dargestellt und ich habe vier separate
	Tafeln hier in meinem Diagramm.
	Und innerhalb jedes Panels verbinde ich denselben Diagnosetest an den beiden verschiedenen Daten. So verbinde ich zum Beispiel in der violetten Linie links
	vom 2. April bis zum 15. September, und dieser spezielle Diagnosetest war ursprünglich auf Platz 16 und stieg dann bis auf Platz 1 auf.
	Außerdem stelle ich die endgültigen Nachweisgrenzen grafisch dar. In einem anderen Panel wäre dieses Ergebnis viel schlechter ausgefallen, wenn ich den Anfangswert vom 2. April dargestellt hätte. Dies ist also der endgültige Wert.
	Dieser Test ist also viel, viel besser geworden, und wir sehen, dass es einige andere Tests gibt, deren Fähigkeit, dramatisch erhöhte
	die Nachweisgrenze und ihre Fähigkeit, immer geringere Viruslasten zu erkennen.
	Wir sehen aber auch Tests, die viel, viel schlechter geworden sind und sich wiederum um mehrere Größenordnungen verändern, so zum Beispiel der unterste Test hier in Rot. Er war am 2. April der drittbeste Test, aber dann fiel er bis auf Platz 14 zurück.
	Ich denke, das zeigt, dass es im Allgemeinen einfach an der Robustheit und der Art und Weise mangelt, wie diese Aufgaben ursprünglich erstellt wurden.
	Ich weiß nicht, wie diese Tests durchgeführt wurden.
	Ich weiß nicht, ob sie JMP und ein geplantes Experiment und Nachweisgrenzen verwendet haben, aber ich denke, dass die Anwendung dieser Art von Techniken sicherlich alles, was Nachweisgrenzen verwendet, wesentlich robuster machen könnte.
	Schauen wir uns also JMP an.
	Wie lege ich also Nachweisgrenzen fest?
	Nun, Sie können dies direkt im benutzerdefinierten Designer tun. Es gibt jetzt tatsächlich ein Feld, in das Sie einfach die Nachweisgrenzen eingeben können.
	Wenn Sie dies im benutzerdefinierten Designer in Ihrer Ausgabetabelle tun, wird eine Spalteneigenschaft erstellt, die die Erkennungsgrenzen enthält.
	Wenn Sie dies in der verallgemeinerten Regression analysieren, behandelt die verallgemeinerte Regression
	verwendet diese Nachweisgrenzen und behandelt Variablen außerhalb dieser Nachweisgrenzen als zensierte Werte.
	Ich zeige Ihnen, wie das in JMP geht.
	So würde eine Datentabelle aussehen, die ich im Rahmen der Versuchsplanung erstellt habe. Ich bin also folgendermaßen hierher gekommen: Ich bin zu DOE, Custom Designer, gegangen.
	Und Sie können genau hier sehen, wo ich für jede meiner Antworten die Nachweisgrenzen einfügen würde.
	Es ist langweilig, mir beim Tippen zuzusehen, also lassen Sie mich Ihnen zeigen, wie ich dieses Setup für diese bestimmte Datentabelle bereits vorgenommen habe.
	Und hier habe ich mehrere Antworten.
	Und ich habe verschiedene Arten von Nachweisgrenzen, so habe ich für einige meiner Antworten sowohl eine obere als auch eine untere Nachweisgrenze. Sie können in beide Richtungen einseitig sein.
	Hier habe ich also nur eine untere Nachweisgrenze und hier habe ich nur eine obere Nachweisgrenze.
	Und Sie können es natürlich einfach leer lassen, wenn Sie keine Nachweisgrenze haben.
	Und wenn wir hinschauen.
	In der Datentabelle können wir sehen, dass dies tatsächlich eine Nachweisgrenze ist.
	Aber ich kann alle auswählen.
	Scrollen Sie einfach durch die Werte und sehen Sie, wie die Nachweisgrenze aussieht. Es handelt sich lediglich um ein weiteres Element in der Spalteneigenschaft. Hier sind meine oberen und unteren Werte.
	Und wieder habe ich ein Ober- und ein Unterteil.
	Bei diesem hier ist dies nur meine Untergrenze und bei dem nächsten hier ist dies nur meine Obergrenze.
	Für die Viskosität gibt es überhaupt keine. Wenn ich also zurückgehen und dies manuell hinzufügen möchte oder wenn Sie Nachweisgrenzen für die Analyse verwenden, diese aber nicht in einem Design-Experiment eingerichtet haben,
	Sie können einfach zu den Spalteneigenschaften gehen und sie finden sie hier in der Liste. Dies sind also alle Spalteneigenschaften, die für ein geplantes Experiment gelten.
	Fügen Sie einfach Nachweisgrenzen hinzu und dann können wir einfach den gewünschten Wert eingeben, also könnten wir 1300 sagen.
	Und
	für eine einseitige Begrenzung.
	Und das sollte es einfach hinzufügen und dann wird es da sein.
	So kommen Sie an die Nachweisgrenzen.
	Datentabellen und Spalteneigenschaften.
	Gut, sprechen wir jetzt darüber, wie man Daten analysiert, deren Nachweisgrenzen überschritten sind.
	Dazu möchte ich ein Experiment analysieren, das mit einem benutzerdefinierten Designer eingerichtet wurde. Das Ziel dieses Experiments bestand darin, die Bestimmung eines Pestizids aus Wasserproben zu optimieren.
	Es handelt sich um ein Drei-Faktor-Experiment mit 32 Durchläufen und optimalem Design.
	Neun dieser Beobachtungen lagen unterhalb der Nachweisgrenze von 1 %.
	Ich zeige Ihnen also, wie Sie die Daten in JMP analysieren.
	Aber dann möchte ich auch diesen zusätzlichen Vergleich anstellen. Was wäre, wenn wir keine Nachweisgrenzen verwenden würden oder keine hätten?
	Nun, meine begrenzte Erkennung liegt bei 1 % und wir sind uns wiederum nicht sicher, wie hoch die tatsächlichen Werte sind. Ich schätze also, wir könnten in einem Fall Null annehmen und dann.
	Es wurde also überhaupt kein Pestizid in der Wasserprobe gefunden, oder wir können sagen, es liegt genau an der Nachweisgrenze und verwenden den Wert eins. Das sind also die beiden alternativen Szenarien. Und was Sie sehen werden, ist, wenn wir die Nachweisgrenzen nicht verwenden,
	wir werden nicht alle unsere Faktoren finden und unsere Ergebnisse werden tatsächlich ziemlich irreführend und ungenau sein.
	Lassen Sie mich Ihnen zeigen, wie das in JMP geht.
	Das ist also meins.
	So sieht das Design aus: Ich habe Metacrate als Antwort und hier sind meine oberen und unteren Erkennungsgrenzen.
	Hier sind meine drei Faktoren.
	Und ich habe gerade eine Antwortoberfläche erstellt
	Design, so dass es jeder
	Faktor und dann die quadratische und die Zweiwege-Interaktion und schließlich habe ich ein 32-Run-Design erstellt.
	So sehen die Daten aus.
	Dies sind also die Ergebnisse meines Versuchsdesigns und in den Fällen, in denen ich
	Null, das ist also, was meine Maschine sagt. Meine Maschine sagte, ich hätte nichts erkannt, aber in Wirklichkeit ist es zensiert, und hier liegen die Erkennungsgrenzen, die ich beim Einrichten meines Versuchsdesigns festgelegt habe.
	Und wir werden dies mit verallgemeinerter Regression analysieren.
	Es werden Nachweisgrenzen in regulären kleinsten Quadraten ermittelt oder nicht. Obwohl ich dieses Skript ausführen könnte, möchte ich Ihnen zeigen, wie ich es tatsächlich eingerichtet habe.
	Also habe ich Metacrate als meine Ergebnisvariable und wir werden eine verallgemeinerte Regression verwenden.
	Und hier ist die Normalverteilung in Ordnung, da sie zu den Daten passt, aber sie führt zu negativen Vorhersagewerten und es gibt keinen negativen Wert für die Menge an Pestizid, die ich habe.
	Um es positiv zu halten, werde ich es tatsächlich in „log normal“ ändern, sodass alle meine Vorhersagewerte positiv sind.
	Und beachten Sie, dass ich zur Zensur nichts eingeben muss. Ich habe hier die Option, aber JMP kümmert sich automatisch darum.
	Wenn wir eine Versuchsplanung durchführen und die Regression verallgemeinern, ist die Vorwärtsselektion eine gute Wahl. Sie ähnelt sehr der schrittweisen Regression oder der schrittweisen Regression, mit der Sie vielleicht vertraut sind.
	in der Fit-Modellplattform.
	Was wir also in meiner Modellzusammenfassung sehen können, ist, dass sie mich daran erinnert, dass es Nachweisgrenzen gibt.
	Und mein RSquare beträgt 0,91, das passt also wirklich gut.
	Und wenn wir uns die Einzelheiten dessen ansehen, was hier vor sich geht,
	Wenn Sie mit einem Lösungspfad und einer verallgemeinerten Regression nicht vertraut sind, sehen Sie sich an, wie die Parameter in das Modell eingegeben wurden. Es handelt sich also wieder um eine Vorwärtsselektion.
	und dann werden sie nach der Stärke ihrer Wirkung skaliert. Als erstes wird also mein Dichlormethan eingegeben, und es hat eine positive Wirkung auf das Ergebnis.
	Aber als nächstes kam die quadratische Gleichung, und sie hat ein negatives,
	ein negativer Effekt, also buchstäblich eine negative Schätzung.
	Es macht also Spaß, dies zu sehen und damit zu interagieren. Insgesamt besteht das beste Modell auf Grundlage des minimalen AIC-Scores aus fünf Schritten.
	Jetzt möchte ich die Gleichung mit dem Vorhersageprofiler visualisieren.
	Und ich werde das jetzt für eine Minute vereinfachen und etwas größer machen.
	Was uns der Vorhersageprofiler also zeigt, ist unsere Ergebnisvariable Metacrate und hier die Y-Achse. Jedes Quadrat ist einer der Faktoren in unserem Experiment.
	Und was wir betrachten, ist die Gleichung oder die Beziehung
	grafisch dargestellt. Wir können also Wechselwirkungen erkennen, da sich die Form der anderen Faktoren ändert, wenn ich dies ändere, wenn ich Dichlormethan ändere, und Sie können deutlich erkennen, dass in diesen Parametern eine starke Krümmung auftritt.
	Ich habe auch meine tatsächliche durch vorhergesagte
	Handlung und das sieht eigentlich ziemlich gut aus.
	Ich möchte die Menge an Metacrate, die ich erkennen kann, maximieren. Deshalb habe ich mein Experiment durchgeführt. Ich werde JMP bitten, den maximalen Pegel zu ermitteln.
	Und es hat ergeben, dass die maximale Menge an Metacrate, die ich erkennen konnte, 38,6 beträgt.
	Und das gilt für diese Faktoreinstellungen. Meine Wasserprobe liegt also bei knapp sechs für diese Menge Methanol und diese Menge Dichlormethan.
	Dies ist also das Ergebnis meines Experiments, und ich möchte zurückgehen und es tatsächlich testen und sicherstellen, dass es funktioniert.
	Was wäre, wenn ich die Grenzen der Erkennung ignoriert und einfach etwas anderes ausprobiert hätte?
	Hier habe ich also genau die gleichen Daten.
	Bei Metacrate mit Null, aber ich habe ein paar Spalten hinzugefügt. Und bei einer Spalte dachte ich, na ja, vielleicht liegt sie tatsächlich an der Untergrenze, sie liegt bei eins, also habe ich diese Werte statt Null einfach auf eins geändert.
	Und dann, alternativ, nun, was wäre, wenn in diesen Proben nichts gefunden werden könnte, dann wäre das Null und in diesem Fall kann ich nicht Null verwenden, weil es log-normal ist, also habe ich einfach einen winzigen, einen sehr kleinen Wert gewählt
	also eins mal 10 hoch minus 12, richtig, also Komma .00000000001, ich glaube, das ist die richtige Anzahl an Nullen.
	Analysieren wir also die Daten unter diesen beiden Bedingungen und verwenden erneut nicht die Nachweisgrenzen.
	Anstelle von Metacrate werde ich also das erste verwenden, wo wir alle diese Werte einfach auf die untere Erkennungsgrenze zurücksetzen.
	Wir werden eine Vorwärtsauswahl treffen.
	Sie sehen also, dass es hier keine Nachweisgrenzen mehr gibt, wie zuvor, mein RSquare liegt knapp unter 0,7.
	Aber Sie können sowohl an meinem Lösungspfad als auch an meiner Parameterschätzungstabelle erkennen,
	Ich habe nur drei Schritte, Schritte vorwärts zu meiner Modellierung und ich habe nicht viel Material aufgegriffen, ich habe hier viele leere Stellen und, wenn wir das Bild von meinem
	In der Gleichung hier unten im Profiler können Sie sehen, dass mir tatsächlich einer meiner Faktoren fehlt. Wir können ihn mit diesem hier vergleichen. Methanol habe ich völlig übersehen.
	Und wenn ich maximiere
	um die größte Menge an Metacrate zu finden, die ich finden konnte, das sind nur etwa 16.
	Und mein tatsächliches, aber vorhergesagtes Diagramm sieht nicht sehr gut aus, es sieht nicht sehr erfreulich aus.
	Das ist also eine Situation, richtig, und wir haben einen unserer Faktoren völlig übersehen, wir haben ihn einfach nicht erkannt.
	Und dann schauen wir uns die andere Situation an, wenn statt eins fast Null ist. Was ist, wenn es fast Null ist?
	Nicht ganz Null, aber sehr, sehr nah dran.
	Vorwärtsauswahl.
	Auch hier verwenden wir keine Nachweisgrenzen, aber sehen Sie sich das an, mein RS-Quadrat beträgt 0,997.
	Es glaubt also, dass es eine wirklich gute Passform gefunden hat.
	Aber da ist immer noch etwas Seltsames, das hier vor sich geht, ich habe nur drei Schritte in meinem Modell, ich habe nicht wirklich viel gefunden, ich fand
	mein Dichlormethan und ich waren gerade fertig und haben gerade mein Probenvolumen abgeholt.
	Wenn wir uns den Predictive-Prediction-Profiler ansehen.
	Wieder fehlt mir Methanol, also fehlt mir einer meiner Faktoren. Mein Diagramm „tatsächliche Werte mal vorhergesagt“ sieht so lala aus, aber was um alles in der Welt ist hier los, wo um alles in der Welt ist die Spitze meiner Kurve?
	Ich werde diese adaptive Y-Achse aktivieren, um sicherzustellen, dass ich alles sehen kann.
	Und es hat Vorhersagewerte, die um die Hunderter liegen, und wenn ich nur,
	Ich werde es nicht tun. Ich könnte die Erwünschtheit maximieren, aber Sie sehen, dass es über 470 liegt, selbst wenn ich nur manuell versuche, etwas auszuwählen. Denken Sie daran:
	meine Nachweisgrenze lag bei 99, daher ergeben diese Werte nicht einmal einen Sinn.
	Und
	Ich habe einen Faktor übersehen, es ergibt keinen Sinn, aber ein Grund, warum ich dieses Beispiel unbedingt zeigen möchte, ist, dass ich dies bei Kunden gesehen habe,
	und ich konnte ihnen nicht erklären, was los war, also weiß ich, dass dies tatsächlich passiert, wenn die Leute die Grenzen der Nachweisbarkeit nicht nutzen,
	Sie erhalten ein sehr, sehr merkwürdiges Ergebnis, weil Sie eine Entscheidung darüber getroffen haben, wie die Daten in Ihrer Analyse behandelt werden sollen. Sie haben sie entweder als Eins oder als Null behandelt.
	In diesem Fall handelt es sich um die beiden alternativen Szenarien, die jedoch weit von der tatsächlichen Realität hinsichtlich der tatsächlichen Fähigkeit zur Erkennung dieses Pestizids im Wasser und dem Ergebnis meines Designexperiments entfernt sind.
	Also.
	Die wichtigsten Erkenntnisse, die ich jedem mitgeben möchte, sind erstens: Nachweisgrenzen sind sehr wichtig.
	Und Sie sollten sie nicht ignorieren und sie nicht durch die mit dem hohen oder niedrigen Wert ersetzen und Sie sind wirklich
	Sie sollten diese Unsicherheit in die eigentliche Analyse einbeziehen. Mit JMP ist das ganz einfach. Sie können dies in der Versuchsplanungsplattform oder in einer Spalteneigenschaft tun.
	Und wenn sie erst einmal da sind, können Sie mithilfe der verallgemeinerten Regression eine Analyse durchführen, die die Nachweisgrenzen berücksichtigt. Dadurch erhalten Sie das allerbeste Modell und finden Ihre Faktoren und die tatsächlichen Beziehungen zwischen ihnen.
	Und schließlich ermutigen wir bei JMP die Leute wirklich, zurückzugehen und die Daten erneut zu analysieren, wenn sie auf einige dieser merkwürdigen Ergebnisse gestoßen sind.
	Es könnte sein, dass Sie wissen sollten, wann Sie eine Nachweisgrenze haben, die auf einer analytischen Methode basiert.
	und wir sind wirklich der Meinung, dass die Leute zurückgehen und diese Daten erneut analysieren sollten. Wenn Sie bei der Versuchsplanung Nachweisgrenzen verwenden, gelangen Sie viel schneller und präziser an Ihr Ziel.
	Vielen Dank, dass Sie sich meinen Vortrag angehört haben. Wenn Sie Fragen haben oder weitere Informationen wünschen, können Sie sich jederzeit an mich wenden.

Erweiterte statistische ModellierungGrundlegende Datenanalyse und -modellierungKonsumenten- und MarktforschungVersuchsplanungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikZuverlässigkeitsanalyseErgebnisse teilen und kommunizieren