756806_ko-KR

liliconcom

실험 설계 및 데이터 분석의 새로운 JMP 16 탐지 한계(2021-US-30MP-879)

Laura Higgins, JMP 글로벌 기술 활성화 엔지니어, SAS JMP

JMP 16은 DOE 플랫폼에 새로운 기능을 추가했습니다. 이 기능은 검출 한계를 열 속성에 통합하고 JMP Pro의 일반화 회귀 플랫폼으로 모델링하는 동안 자동으로 적용됩니다. 본 연구에서는 이러한 새로운 기능을 시연하고 검출 한계가 데이터 분석에 미치는 영향을 논의합니다.

극미량의 물질을 검출할 때는 사용하는 기술에 제약을 받습니다. 물질이 존재하더라도 검출되지 않는 수준은 검출 하한이며, 감염의 시작을 식별하거나 미량의 불순물을 정확하게 식별하는 것과 같은 중요한 상황에서 미량의 물질을 검출하는 데 있어 실질적인 중요성을 지닙니다. 데이터 분석에서 검출 한계를 무시하면 심각한 영향을 미칩니다. 평균 및 신뢰 구간과 같은 기본 통계치가 편향되고 오해의 소지가 있습니다. 검출 한계에 대한 잘못된 가정으로 데이터를 모델링하면 잘못된 모델이 생성됩니다. 검출 한계는 제약 및 화학 제조, 분석 화학, 진단 검사 설계와 같은 산업 분야에 영향을 미칩니다.

자동 생성된 대본...

스피커	성적 증명서
마이크 앤더슨	안녕하세요.
	JMP 16의 새로운 기능인 탐지 한계에 대해 알아보겠습니다.
	오늘 제가 이야기하려는 것은 탐지 한계의 정의에 대한 배경 지식입니다.
	탐지 한계를 무시하고 있다면 몇 가지 통계적 고려 사항을 살펴보겠습니다.
	주변을 둘러보니 일부 설계된 제품, 특히 COVID-19 진단 테스트에서 견고성이 부족하다는 현실적인 증거가 있는 것 같습니다. 이러한 제품은 감지 한계를 포함하고 있습니다.
	마지막으로 JMP에서 실제로 탐지 한계를 사용하는 방법을 보여드리겠습니다. 탐지 한계를 입력하는 방법, 실험 설계에서 탐지 한계를 설정하는 방법, 탐지 한계를 사용하여 데이터를 분석하는 방법을 보여드리겠습니다.
	무언가가 거기에 있는지 어떻게 알 수 있을까?
	그러니 조금은 난해한 질문처럼 들릴지 몰라도, 분석적 방법을 사용하면 난해한 질문이라기보다는 시스템이 얼마나 좋은지에 대한 질문이 됩니다.
	따라서 예를 들어, 우리가 무언가에서 매우 적은 양의 불순물을 찾으려고 한다면, 어느 시점에서는 그것을 감지하는 시스템이 특정 수준 이하의 양을 감지할 수 없게 됩니다. 이 한계를 검출 한계라고 합니다.
	탐지 한계에 대한 정의는 매우 다양합니다.
	그들은,
	이는 분야와 분석 방법에 따라 다르므로 여기에 몇 가지를 제시하겠습니다. FDA는 분자 진단 검사의 경우 제한된 검출은 반복 측정의 95%에서 검출할 수 있는 대상의 가장 낮은 농도를 말합니다.
	이제 화학계에서 말하는 내용을 살펴보면, 방법 제한 검출은 최소 농도 또는 절대량으로 정의됩니다.
	분석물의 신호가 적절한 공시료보다 상당히 크다는 것을 의미합니다. 따라서 이 두 가지 정의는 본질적으로 서로 다른 방법을 의미합니다.
	그리고 더 많은 문헌을 살펴봤는데, 고성능 액체 크로마토그래피 같은 것을 한다면 곡선을 볼 때 신호 대 잡음비에 대해 언급합니다.
	검정 곡선을 만드는 경우 특정 방법론이 있으며, 그에 대한 다양한 정의가 있습니다.
	탐지 한계가 있으므로 모든 사람이 자신의 분석 방법에 가장 적합한 한계를 찾아 업계별 지침을 따르기를 권장합니다.
	JMP에서는
	우리는 탐지 한계를 다음과 같이 정의합니다. 이는 열 속성이며 이를 넘어서는 것입니다.
	반응을 측정할 수 없으므로 제한이 있고, 실제로 데이터를 분석하면 데이터가 검열됩니다.
	그래서 제가 이전에 예로 들었던 것은 하한이 되는 아주 적은 양의 불순물을 찾고 검열을 그대로 두는 것이었습니다.
	하지만 이는 상한선일 수도 있습니다. 예를 들어 물체에 압력을 가하면 압력계가 상한선에서 멈출 수 있습니다.
	실제로 더 많은 압력을 가할 수도 있지만 게이지가 더 높아지지 않고 그게 상한이 되어 해당 데이터는 오른쪽에서 검열되지만 JMP에서는 모두 똑같은 방식으로 처리됩니다.
	그래서, 데이터를 분석할 때 탐지 한계를 무시하면 어떤 일이 일어날지 예를 들어보겠습니다.
	그래서 이 예에서,
	아래의 히스토그램을 보면, 실제 인구가 있고, 저것들은 모두 녹색 막대입니다. 하지만 감지 능력이 제한적이라고 가정해 봅시다.
	10에서는 그 이하로 정확한 측정이 불가능하므로 0은 아닙니다.
	제가 측정하려는 것이 무엇이든 그 양이 얼마인지, 입자가 몇 개인지 알 수 없으므로 이에 대한 올바른 통계적 방법은 검열이고 JMP의 Michael Crotty가 Discovery 2017에서 매우 좋은 강연을 했습니다.
	더 많은 통계적 세부 사항을 알고 싶다면 그의 강연을 들어보세요.
	좋습니다. 이제 이 예를 살펴보겠습니다. 예를 들어 10개의 제한된 감지가 있다고 가정해 보겠습니다.
	우리가 할 일은 인구의 그 부분을 다음과 같이 취급하는 것입니다.
	우리는 그것이 무엇인지 정확히 모르기 때문에
	여기에 히스토그램이 있고 오른쪽에 실제 인구가 나와 있습니다.
	여기에는 몇 가지 다른 시나리오가 있습니다. 예를 들어 감지 한계가 10이라고 가정해 보겠습니다.
	그리고 또 다른 때는 11이었고, 그 다음에는 12였습니다. 제가 하는 일은 이 데이터를 실제로 10에 가깝게 끌어올리는 것입니다.
	이게 어떻게 생겼는지 보여드리겠습니다. 이건 탐지 한계 내에서 자동으로 발생하는 게 아니라, 제가 직접 만들어낸 예시입니다.
	그러니까, 예를 들어 7번째 행을 보면, 제 실제 값은 9.22입니다.
	하지만 탐지 한계가 10이라면,
	그럼 저는 9.22라는 값을 실제로 알지 못할 것이고, 제가 할 수 있는 최선은 그것을 10으로 적어두는 것뿐입니다.
	혹은 누락이나 0으로 표현할 수도 있겠지만, 10이 조금 더 현실적일 것 같습니다.
	이제, 제 제한된 감지가 11이라면, 그 숫자를 11로 올려야 할 것이고, 마찬가지로 제 제한된 감지가 12라면, 그 데이터 포인트를 옮겨서 12로 바꿔야 할 것입니다.
	그래서 특히 여기 12를 보면, 제 데이터가 정말 많이 모여 있다는 걸 알 수 있습니다.
	이것이 평균에 미치는 영향은, 실제 모집단에서 평균이 약 10.5라는 것입니다.
	10은 10.7로 올라가고 그 다음에는 평균이 높아져서 11.2가 되고 그 다음에는 12가 됩니다. 모든 값을 하한값으로 바꾸었을 때 실제로 평균은 탐지 한계에 도달한 것입니다.
	그러니 제 실제 평균인 10.5와는 너무 멀어지네요.
	하지만 우리의 변동 측정에 무슨 일이 일어나는지 살펴보세요. 내 표준 편차는 실제 모집단에서 1입니다.
	탐지 한계가 10이면 0.8로 올라가고, 11이면 0.4로 올라가고, 그다음에는 0.2에서 최저치로 내려갑니다.
	그래서 제가 측정하는 변동 폭이 점점 작아지고 실제로 제가 측정한 결과에 대해 점점 더 확신을 갖게 되었는데, 이는 실제 모집단과는 거리가 멉니다.
	그래서 저는 그것을 다음 그래프 가운데에 요약했습니다. 보시다시피, 저는 실제 인구를 가지고 있습니다.
	그리고 저는 이러한 거짓 탐지 수준을 부과한 다른 수단과 수단을 연결하고 있는데, 여러분은 수단이 극적으로 더 높아지고 진실로부터 더 멀어지는 것을 볼 수 있습니다.
	여기 있는 막대는 표준 편차이고, 보시다시피, 막대가 점점 작아지고 있고, 주황색 음영은 제 이름의 95% 신뢰 구간입니다.
	여기 오른쪽, 위쪽 그래프에서 실제로 평균과 중앙값을 모두 그래프로 표시했는데, 비슷한 방식으로 동작하는 것을 볼 수 있습니다.
	이는 놀라운 일입니다. 중간값이 좀 더 안정적일 것이라고 생각할 수 있지만 이 상황에서는 그렇지 않고 실제로는 도움이 되지 않습니다.
	그리고 그 아래에는 변동 측정값이 있는데, 더 높은 한계를 적용할수록 변동 측정값이 작아지는 것을 볼 수 있습니다.
	그러니까 우리가 정말 잘하고 있는 것 같죠? 제 평균 측정에 대한 자신감이 정말 많이 높아지고 있어요.
	아주 작은 숫자지만, 사실 저는 그 실제 인구 값에서 점점 더 멀어지고 있고, 멀어질수록 더 자신감을 갖게 됩니다.
	따라서 실제로 무슨 일이 일어나고 있는지 꼭 감지할 수 없을 수도 있다는 우려가 있고, 사물에 대해 잘못된 확신을 갖게 될 수도 있습니다.
	그래서 우리가 탐지 한계를 설계된 실험으로 확장하면,
	곧 진행될 데모에서 보시게 될 것은 우리가 중요한 요소를 찾지 못할 것이고, 요소 간의 진정한 관계도 발견하지 못할 것이라는 점입니다.
	이제 JMP에서 이것을 보여주기 전에 저는 문헌을 꼼꼼히 살펴보고 견고성이 부족하다고 생각되는 실제 세계 증거를 찾으려고 노력했습니다.
	설계된 제품의 검출 한계와 관련된 문제입니다. 제가 한 것은 COVID-19 진단 검사와 내부적으로 비교하는 좋은 방법이 있다는 것을 발견했습니다.
	그래서 2020년 초에
	FDA가 긴급 사용 승인을 내린 검사는 20개가 넘습니다.
	그리고 그것들은 모두 실시간 PCR 검사이고, 바이러스 부하를 검사하는 것입니다. 즉, 바이러스 게놈의 사본이 몇 개나 있는지를 검사하는 것입니다.
	처음에는 표준이 없었고, 이전에 본 적이 없는 완전히 새로운 것이었기 때문에 회사에서 자체 내부 표준을 개발하여 사용할 수 있었습니다.
	올해 말, FDA는 자체 표준을 만들어 배포하고 진단 검사를 재평가했습니다. 그래서 서로 다른 표준을 사용하여 동일한 검사의 두 시점을 비교할 수 있습니다.
	그래서 제가 하기로 한 건 시험 문제들을 순위대로 정리하는 거였어요. 좋은 시험과 나쁜 시험은 어떻게 구분할 수 있죠? 어떻게 순위를 매겨야 할까요?
	글쎄요, 우리는 바이러스 부하와 바이러스가 만드는 게놈 사본 수 사이의 분석적 관계를 살펴볼 수 있습니다.
	그리고 진단 검사의 임상적 민감도입니다. 따라서 X축에는 밀리리터당 얼마나 많은 유전체 사본이 있는지, 즉 바이러스 양이 표시됩니다.
	그리고 더 작은 규모는 경증 감염 사례만 감지합니다. 그리고 오른쪽으로 가면 실제로는 매우 심각하게 감염된 사람들, 즉 슈퍼 전파자만 감지하게 됩니다.
	그리고 여기 y축은 검출된 사례의 비율을 나타냅니다. 그리고 다시 말씀드리자면, 이것은 실제 증거입니다. 이 검은 선에서 볼 수 있듯이, 임상적 민감도와 얼마나 좋은지 사이에는 상관관계가 있습니다.
	미안해요, 얼마나 작은지
	우리가 감지할 수 있는 바이러스 양은 얼마입니까? 그러니까 적은 양의 바이러스 양을 감지하는 게 좋고, 그걸 순위 매기는 데 사용합니다.
	그래서 4월 2일과 9월 15일이라는 두 개의 다른 시점이 있었고, 각 시점에 대해 각 표준에 따른 검출 한계의 순위를 매겼습니다.
	따라서 진단 테스트가 이루어지고, 이를 견고한 방법으로 실시한다면 우리는 거의 동일한 순위와 유사한 검출 한계를 기대할 수 있을 것입니다.
	이러한 테스트가 설계된 방식에 견고성이 부족하다면 실제로 순위가 바뀌고 탐지 한계가 달라질 것으로 예상할 수 있습니다.
	그래서 저는 무엇을 발견했을까요?
	그래서 여기서 내가 찾은 데이터를 그래프로 표시했고, 네 개의 별도 데이터가 있습니다.
	여기 그래프의 패널입니다.
	그리고 각 패널 내에서 두 날짜의 동일한 진단 검사를 연결하고 있습니다. 예를 들어, 왼쪽의 보라색 선에서는
	4월 2일 순위에서 9월 15일 순위까지 ​​올랐는데, 이 특정 진단 테스트는 원래 16위였다가 1위까지 올랐습니다.
	그리고 최종 검출 한계를 그래프로 표시했습니다. 4월 2일의 초기 값을 그래프로 표시했다면 다른 패널에서 훨씬 더 심각했을 겁니다. 그래서 이게 최종 값입니다.
	그래서 이 테스트는 훨씬 더 좋아졌고 우리가 보는 것은 극적으로 증가된 것을 감지하는 능력을 극적으로 증가시킨 몇 가지 다른 테스트가 있다는 것입니다.
	검출 한계와 점점 더 적은 양의 바이러스를 검출할 수 있는 능력.
	하지만 우리는 훨씬 더 나빠진 테스트도 보았고, 다시 한번 말하지만 그것들은 몇 배나 크게 바뀌고 있습니다. 예를 들어, 여기 빨간색으로 표시된 아래쪽 테스트는 4월 2일에 3번째로 좋은 테스트였지만, 그 이후로는 떨어져서 14위까지 떨어졌습니다.
	그래서 제 생각에 이는 전반적으로 견고성이 부족하고 이러한 작업이 처음에 어떻게 수행되었는지에 대한 부족함을 보여줍니다.
	이런 테스트가 어떻게 만들어졌는지는 모르겠습니다.
	JMP와 설계된 실험, 탐지 한계를 사용했는지는 모르겠지만, 이런 종류의 기술을 적용하면 탐지 한계를 사용하는 모든 것을 훨씬 더 강력하게 만들 수 있을 것이라고 생각합니다.
	그러면 JMP를 살펴보겠습니다.
	그러면 탐지 한계를 어떻게 설정하나요?
	네, 커스텀 디자이너에서 직접 설정할 수 있습니다. 이제 감지 한계를 입력할 수 있는 입력란이 생겼습니다.
	출력 테이블의 사용자 정의 디자이너에서 이 작업을 수행하면 탐지 한계를 포함하는 열 속성이 생성됩니다.
	이것을 일반화 회귀 분석으로 분석하면 일반화 회귀는 다음을 처리합니다.
	탐지 한계를 사용하고 탐지 한계 밖의 변수를 검열된 값으로 처리합니다.
	JMP에서 이 작업을 수행하는 방법을 보여드리겠습니다.
	실험 설계에서 설정한 데이터 테이블은 다음과 같습니다. 제가 여기에 도달한 이유는 DOE에서 맞춤형 디자이너를 선택했기 때문입니다.
	그리고 바로 여기가 제가 각 반응에 대한 탐지 한계를 설정할 곳임을 알 수 있습니다.
	제가 타이핑하는 걸 보는 건 지루하니까요. 그래서 제가 이 특정 데이터 테이블에 대해 이미 어떻게 설정을 해놓았는지 보여드리겠습니다.
	그리고 여기에는 몇 가지 반응이 있습니다.
	그리고 저는 다양한 종류의 검출 한계를 가지고 있어서, 몇몇 반응에 대해 상한과 하한 검출 한계를 모두 가지고 있습니다. 어느 쪽으로든 일방적인 검출 한계를 가질 수 있습니다.
	그러니까 여기에는 낮은 감지 한계가 있고, 여기에는 높은 감지 한계가 있습니다.
	그리고 감지 한계가 없다면 그냥 비워두어도 됩니다.
	그리고 우리가 살펴보면.
	데이터 테이블에서 볼 수 있는 것은 이것이 실제로 감지 한계라는 것입니다.
	하지만 이 모든 것을 선택할 수도 있어요.
	스크롤해서 보면 감지 한계가 어떻게 보이는지 알 수 있습니다. 열 속성의 다른 항목일 뿐입니다. 여기 제 상한값과 하한값이 있습니다.
	그리고 또 위쪽과 아래쪽이 있어요.
	이번에는 이게 제 최저 한계이고, 다음에서는 이게 제 최고 한계입니다.
	이제 점도에는 전혀 없으므로 돌아가서 수동으로 추가하거나 분석을 위해 감지 한계를 사용 중이지만 설계 실험에서 설정하지 않은 경우
	열 속성으로 이동하면 목록에 바로 있습니다. 즉, 이 모든 열 속성은 설계된 실험에 적용됩니다.
	탐지 한계만 추가한 다음 원하는 값을 입력하면 됩니다. 예를 들어 1300이라고 할 수 있습니다.
	그리고
	일방적인 한계를 위해.
	그리고 그냥 추가하면 될 겁니다.
	이것이 탐지 한계를 정하는 방법입니다.
	데이터 테이블과 열 속성.
	좋습니다. 이제 탐지 한계가 있는 데이터를 분석하는 방법에 대해 알아보겠습니다.
	이를 위해 커스텀 디자이너와 함께 설정한 실험을 분석하고 싶습니다. 이 실험의 목적은 물 샘플에서 살충제를 결정하는 것을 최적화하는 것이었습니다.
	3가지 요인을 고려한 실험으로 32번 실행되었고, 최적의 설계가 이루어졌습니다.
	이러한 관찰 결과 중 9개는 검출 한계인 1% 미만이었습니다.
	그러면 JMP에서 데이터를 분석하는 방법을 알려드리겠습니다.
	하지만 추가적인 비교도 하고 싶습니다. 탐지 한계를 사용하지 않았거나 없다면 어떨까요?
	글쎄요, 제가 제한적으로 감지한 수치는 1%이고, 다시 한번 말씀드리지만 그 실제 값이 무엇인지 확실하지 않으니, 한 가지 경우에는 0으로 설정하고 나머지는 그대로 두는 게 어떨까요?
	그러니까 물 샘플에 살충제가 전혀 검출되지 않았다는 뜻입니다. 아니면 검출 한계에 정확히 도달했다고 할 수도 있고, 1이라는 값을 사용할 수도 있습니다. 이 두 가지 시나리오가 있습니다. 그리고 검출 한계를 사용하지 않으면,
	우리는 모든 요소를 ​​찾을 수 없을 것이고, 실제로 결과는 엄청나게 오해의 소지가 있고 부정확할 것입니다.
	그러면 JMP에서 이 작업을 수행하는 방법을 보여드리겠습니다.
	그래서 이게 내 것인데.
	디자인은 다음과 같습니다. Metacrate를 대응책으로 사용했고 감지의 상한과 하한은 다음과 같습니다.
	제가 꼽은 세 가지 요소는 다음과 같습니다.
	그리고 저는 방금 응답 표면을 만들었습니다.
	각각에 맞게 디자인하세요
	요인과 2차 상호 작용, 그리고 2방향 상호 작용을 거쳐 결국 32런 설계를 하게 되었습니다.
	데이터는 다음과 같습니다.
	따라서 다시 말해서, 이것은 내 실험 설계의 결과이며 내가 다음과 같은 경우입니다.
	0이므로 제 기계가 말하는 것은 아무것도 감지하지 못했다는 것입니다. 하지만 실제로는 검열되었고, 여기가 제가 실험 설계를 설정할 때 설정한 감지 한계입니다.
	그리고 이것을 일반화 회귀 분석을 통해 분석해보겠습니다.
	이는 일반적인 최소 제곱에서 탐지 한계를 나타냅니다. 따라서 이 스크립트를 실행할 수는 있지만 실제로 어떻게 설정했는지 보여드리고 싶습니다.
	그래서 메타크레이트를 결과 변수로 삼고 일반화 회귀 분석을 사용할 것입니다.
	여기서 정규분포는 데이터에 맞는 괜찮은 분포이지만, 음의 예측값을 가져오고 내가 가지고 있는 살충제의 양에 대한 음수 값이란 존재하지 않습니다.
	따라서 양수를 유지하기 위해 실제로 로그를 정상으로 변경하여 모든 예측 값이 양수가 되도록 하겠습니다.
	그리고 검열을 위해 아무것도 입력할 필요가 없다는 점에 유의하세요. 여기에는 옵션이 있지만 JMP가 자동으로 이를 처리합니다.
	실험 설계 분석을 수행하고 회귀를 일반화할 때 전방 선택은 좋은 선택이며, 익숙할 수 있는 단계적 회귀 또는 단계적 회귀를 수행하는 것과 매우 유사합니다.
	적합한 모델 플랫폼에서.
	그래서 제 모델 요약에서 볼 수 있는 건, 감지 한계가 있다는 점이에요.
	그리고 제 R제곱은 0.91인데, 정말 잘 맞는 것 같아요.
	그리고 여기서 무슨 일이 일어나고 있는지에 대한 세부 사항을 살펴보면,
	솔루션 경로와 일반화 회귀에 익숙하지 않은 경우 모델에 입력된 매개변수를 살펴보는 것입니다. 다시 말해, 전방 선택입니다.
	그리고 효과의 규모에 따라 크기가 조정됩니다. 즉, 처음 입력된 것은 디클로로메탄이고 결과에 긍정적인 영향을 미칩니다.
	하지만 그 다음에 2차방정식이 나왔는데, 여기에는 음수가 있습니다.
	부정적인 효과, 문자 그대로 부정적인 추정치입니다.
	따라서 이건 보는 것도 재미있고, 상호작용하는 것도 재밌습니다. 그리고 전반적으로 최소 AIC 점수를 기반으로 한 최상의 모델은 5단계로 구성됩니다.
	이제 예측 프로파일러를 사용하여 방정식을 시각화하고 싶습니다.
	그리고 저는 이것을 잠깐 단순화해서 조금 더 크게 만들어 보겠습니다.
	따라서 예측 프로파일러가 보여주는 것은, 이것이 메타크레이트의 결과 변수이고, 여기 y축은 각 사각형이 실험의 요인 중 하나라는 것입니다.
	그리고 우리가 보고 있는 것은 방정식, 즉 관계입니다.
	그래픽으로 보면요. 그래서 상호작용을 볼 수 있는데, 디클로랄메탄을 바꾸면 다른 요인들의 모양이 바뀌거든요. 그리고 이 매개변수들이 많이 휘어져 있는 걸 확실히 볼 수 있어요.
	나도 예측에 따른 실제 값을 가지고 있습니다
	줄거리는 사실 꽤 괜찮아 보입니다.
	그래서 제가 하고 싶은 건, 감지할 수 있는 메타크레이트의 양을 최대화하는 겁니다. 그래서 실험을 해봤죠. JMP를 사용해서 최대 레벨을 찾아볼게요.
	그리고 제가 감지할 수 있었던 최대 메타크레이트 양은 38.6이었습니다.
	그리고 이는 이러한 요인 설정에 대한 것이므로, 제 물 샘플은 이 양의 메탄올과 이 양의 디클로로메탄에 대해 6 미만입니다.
	이것이 제 실험 결과이고, 저는 돌아가서 실제로 이것을 테스트하고 이것이 작동하는지 확인하고 싶습니다.
	이제 탐지 한계를 무시하고 다른 것을 시도해 보면 어떨까요?
	여기서도 정확히 동일한 데이터가 있습니다.
	메타크레이트에서는 0으로 설정했는데, 제가 한 건 열을 몇 개 추가한 겁니다. 한 열은 "아마도 하한값에 있을 거야, 1에 있을 거야"라고 생각해서 값을 0 대신 1로 변경했습니다.
	그리고 대안적으로, 만약 그 샘플에서 발견할 것이 아무것도 없다면 어떻게 될까요? 그러면 그것은 0이 될 것이고 이 경우에는 로그 정규성이기 때문에 0을 사용할 수 없으므로 아주 작은 값을 선택했습니다.
	그러니까 1을 10의 -12승으로 곱하면 .00000000001이 되는데, 이게 0의 개수라고 생각하세요.
	그러면 이 두 가지 조건으로 데이터를 분석해 보겠습니다. 그리고 이번에도 탐지 한계는 사용하지 않을 겁니다.
	그래서 Metacrate 대신에 첫 번째 것을 넣을 건데, 여기서는 모든 값을 감지 하한값으로 재설정할 겁니다.
	우리는 전방 선택을 할 것입니다.
	그러니까 여기에는 이전과 같은 탐지 한계가 없다는 것을 알 수 있습니다. 제 RSquare는 0.7보다 약간 낮습니다.
	하지만 내 솔루션 경로와 매개변수 추정 테이블에서 모두 볼 수 있습니다.
	저는 모델링을 위한 전진 단계인 세 단계만 가지고 있고 많은 것을 얻지 못했습니다. 여기에는 많은 공백이 있고 제 그림을 보면
	프로파일러 아래의 방정식을 보면 실제로 요인 중 하나가 누락된 것을 볼 수 있습니다. 여기 있는 방정식과 비교해 보면 메탄올을 완전히 놓친 것을 알 수 있습니다.
	그리고 내가 최대화하면
	제가 찾을 수 있는 가장 많은 양의 메타크레이트는 약 16개 정도입니다.
	그리고 제가 예측한 실제 줄거리는 그다지 좋아 보이지 않고, 그다지 행복해 보이지도 않습니다.
	그러니까 그게 맞는 상황인데, 다시 한번 말하지만, 우리는 요소 중 하나를 완전히 놓쳤고, 그냥 알아차리지 못했을 뿐입니다.
	그리고 다른 상황을 살펴보죠. 만약 1이 아니라 거의 0이라면 어떨까요?
	0은 아니지만 매우 가깝습니다.
	전방 선택.
	여기서도 탐지 한계를 사용하지는 않았지만, RSquared가 0.997인 것을 보세요.
	그래서 정말 잘 맞는 것을 찾았다고 생각합니다.
	하지만 여기서 여전히 이상한 일이 일어나고 있습니다. 모델에 세 단계만 있고 실제로는 아무것도 찾지 못했습니다.
	내 디클로로메탄과 나는 간신히 샘플 볼륨을 수집했습니다.
	예측 프로파일러를 살펴보면,
	또 메탄올이 빠졌네요. 그래서 제 요인 중 하나가 없고 예측된 실제 플롯은 그저 그렇지만, 도대체 곡선의 꼭대기가 어디인지는 알 수 없어요.
	이 적응형 y축을 켜서 모든 것을 볼 수 있는지 확인해보겠습니다.
	그리고 그것은 수백에 달하는 예측 값을 가지고 있고, 내가 그냥,
	안 할게. 최대화 선호도를 실행할 수도 있지만, 수동으로 선택해도 470이 넘는 걸 볼 수 있잖아. 자, 기억해 두세요.
	제가 감지할 수 있는 한계는 99였으므로 이 값들은 전혀 의미가 없습니다.
	그리고
	나는 한 가지 요소를 놓쳤고 그것은 말이 되지 않지만 내가 이 예를 보여주고 싶은 이유 중 하나는 내가 고객들에게서 이것을 본 적이 있기 때문입니다.
	그리고 나는 그들에게 무슨 일이 일어나고 있는지 설명할 수 없었기 때문에 사람들이 탐지 한계를 사용하지 않으면 실제로 이런 일이 발생한다는 것을 알고 있습니다.
	분석에서 데이터를 처리하는 방법을 결정했기 때문에 매우 이상한 결과가 나오는 경우가 있습니다. 즉, 데이터를 1 또는 0으로 처리했기 때문입니다.
	이 경우, 두 가지 대안적 시나리오가 있지만, 이는 물에서 이 살충제를 감지할 수 있는 실제 능력과 제가 설계한 실험의 결과와는 매우 다릅니다.
	그래서.
	제가 여러분께 꼭 말씀드리고 싶은 핵심 요점은 첫째, 탐지 한계가 매우 중요하다는 것입니다.
	그리고 당신은 그들을 무시해서는 안 되며 높은 값이나 낮은 값을 가진 것으로 대체해서는 안 됩니다.
	실제 분석에 불확실성을 반영해야 합니다. JMP를 사용하면 이 작업을 매우 쉽게 수행할 수 있습니다. 실험 계획 플랫폼이나 열 속성에서 수행할 수 있습니다.
	그리고 그런 다음 일반화된 회귀 분석을 사용하여 탐지 한계를 통합한 분석을 수행하면 가장 최적의 모델을 얻을 수 있고, 요인과 요인 간의 실제 관계를 찾을 수 있습니다.
	마지막으로, JMP에서는 사람들에게 이상한 결과가 나타난 데이터를 다시 분석해 보라고 권장합니다.
	그것은 당신에게 그럴 수 있습니다. 어떤 종류의 분석 방법에 따라 탐지 한계가 있는 경우를 알아야 합니다.
	그리고 우리는 사람들이 다시 돌아가서 그 데이터를 다시 분석하고 실험 설계에서 탐지 한계를 사용해야 한다고 생각합니다. 그렇게 하면 훨씬 더 빠르고 정확하게 원하는 곳에 도달할 수 있을 것입니다.
	제 이야기를 들어주셔서 감사합니다. 궁금한 점이 있거나 추가 내용을 원하시면 언제든지 연락해 주세요.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달