756806_zh-CN

liliconcom

JMP 16 实验设计和数据分析中的新检测限 (2021-US-30MP-879)

Laura Higgins，JMP 全球技术支持工程师，SAS JMP

JMP 16 的 DOE 平台新增了功能，将检测限合并到“列属性”中，并在使用 JMP Pro 的广义回归平台建模时自动应用。我将演示这些新功能，并讨论检测限对数据分析的影响。

当我们寻找极少量的物质时，我们会受到所用技术的限制。某种物质可能存在，但无法检测到，这就是检测下限，这对于在关键情况下检测低浓度物质具有重要的实际意义，例如识别感染的起始点或正确识别少量杂质。在数据分析中忽略检测限会产生严重影响；诸如均值和置信区间等基本统计数据会产生偏差和误导。使用关于检测限的错误假设来建模数据会导致错误的模型。检测限在制药和化学品制造、分析化学以及诊断测试设计等工业应用中都具有重要意义。

自动生成的成绩单...

扬声器	抄本
迈克·安德森	你好呀。
	让我们来讨论一下 JMP 16 中的新功能——检测限。
	今天我要讲的是检测限定义的背景。
	如果您忽略检测极限，我想进行一些统计考虑。
	我环顾四周，发现了一些现实世界的证据，表明某些设计产品缺乏稳健性，特别是 COVID-19 诊断测试，这些产品存在检测限。
	最后，我将向您展示如何在 JMP 中实际使用检测限，我将向您展示如何输入它们，如何在实验设计中进行设置，以及如何使用检测限分析数据。
	我们怎么知道那里是否有东西？
	所以这听起来可能有点像一个深奥的问题，但是当你使用分析方法时，它就不再是一个深奥的问题，而是一个关于你的系统有多好的问题。
	举例来说，如果我们试图在某物中找到极少量的杂质，那么在某个时候，我们用来检测的系统将无法检测到低于某个水平的量，这个限度被称为检测限。
	检测限有很多种不同的定义。
	他们是，
	它们因领域和分析方法而异，因此我在这里提出了几个，FDA 表示，对于分子诊断检测，有限检测是在 95％ 的重复测量中可以检测到的目标的最低浓度。
	现在，如果我们去看看化学界的说法，它将方法限制检测定义为最小浓度或绝对量
	分析物的信号明显大于合适的空白信号。所以这两个定义本质上指的是不同的方法。
	我查阅了更多文献，如果你正在进行高效液相色谱分析之类的工作，当你查看曲线时他们会讨论信噪比。
	如果您要制作校准曲线，则需要一定的方法，并且有许多不同的定义。
	关于检测限，我鼓励大家去寻找最适合其分析方法的方法，然后遵循您所在行业的特定指南。
	在 JMP 中，
	我们将检测限定义为……它是一个列属性，超出该范围
	由于无法测量响应，因此它受到限制，而当我们分析数据时，它实际上会审查数据。
	因此，我之前给出的例子是寻找极少量的杂质，这将是一个下限，并且将被审查。
	但它也可能是一个上限，例如，如果您对物体施加压力，您的压力表可能会停止在某个上限。
	您实际上可以对其施加更大的压力，但您的仪表根本就不会再升高，这将是一个上限，并且这些数据将被右删失，但它们都在 JMP 中以完全相同的方式进行处理。
	所以，我想通过一个例子来说明如果我们在分析数据时忽略检测极限会发生什么。
	所以在这个例子中，
	下面的直方图，你可以看到，我有一个真实的人口，那些都是我的绿色条，但假设我的检测有限。
	在 10 时我无法获得低于该值的准确测量值，因此它不是零。
	我不知道我要测量的物质到底有多少，也不知道有多少粒子，所以正确的统计方法是审查法，JMP 的 Michael Crotty 在 2017 年 Discovery 大会上发表了一篇非常精彩的演讲
	如果您想了解更多统计细节，您应该去看看他的演讲。
	好吧，让我们来看这个例子，假设我们的检测范围是 10，
	我们要做的是将这部分人口视为
	我们真的不知道它是什么，所以
	这里有一个直方图，右边显示的是我的真实人口。
	这里有几个不同的场景，假设我的检测限是 10
	然后另一次是 11，然后是 12。所以我在这里所做的是获取这些数据，然后将其推向 10。
	我来给你们演示一下这个是什么样的。这不是检测限自动发生的，这是我自己构造的一个例子。
	因此，如果你看，例如在第 7 行，我的真实值是 9.22。
	但如果我的检测限是 10。
	那么我就不知道了，我实际上不知道 9.22 的值，我能做的最好的就是把它写下来作为 10。
	或者，我可以将其设置为缺失或零，但我认为 10 可能更现实一些。
	现在，如果我的有限检测是 11，我必须将该数字上移到 11，同样，如果我的有限检测是 12，我会移动该数据点并将其变成 12。
	因此，我们看到的是，特别是如果你看这里 12，我真的把我的数据聚集在这里。
	这对平均值的影响是，在我的真实人口中，我的平均值约为 10.5。
	对于 10，它会上升到 10.7，然后我的平均值会越来越高，它会达到 11.2，然后是 12，实际上，当我将所有这些值都放到下限中时，平均值就处于检测极限。
	因此，我离这里的真实平均值 10.5 还差得很远。
	但看看我们的变异测量会发生什么；我的标准差是真实总体中的 1，
	如果检测限为 10，则它会上升到 0.8；如果检测限为 11，则它会上升到 0.4；然后一直下降到 0.2。
	因此，我的变异测量值越来越小，因此我实际上对我实际进行的测量越来越有信心，这与实际人口的实际情况相差甚远。
	所以我在下面中间的图表中总结了这一点，你可以看到，我有我的真实人口。
	我将其他方法的平均值与我施加的这种错误检测水平相连接，你可以看到平均值急剧上升并且离真相越来越远。
	这里的条形是标准差，您可以看到，它们越来越小，然后橙色阴影是我名字的 95％ 置信区间。
	在右边的上面这张图里，我实际上画出了平均值和中位数，你可以看到，它们的行为方式很相似，
	这令人惊讶，因为您可能会认为中位数会更加稳健一些，但在这种情况下，它实际上并没有帮助您。
	下面是我的变化测量值，你可以看到，随着我们施加越来越高的限制，它们变得越来越小。
	看起来我们做得不错，对吧？我对平均值的测量结果越来越有信心了。
	相当小，但事实是，我离真实的人口价值越来越远，而且我离得越远，就越有信心。
	所以这确实是一个令人担忧的问题，你不一定能够发现真正发生的事情，而且你会对事情产生错误的信心。
	因此，当我们将检测限扩展到设计实验中时，
	您稍后将在 DEMO 中看到，我们不会找到关键因素，也不会发现因素之间的真正关系。
	现在，在我向你们展示 JMP 之前，我仔细查阅了文献，并试图找到一些现实世界的证据，我认为我可以在其中找到缺乏稳健性的地方
	与设计产品的检测限相关。我发现，它与 COVID-19 诊断测试有很好的内部对比效果。
	因此，在 2020 年初，
	FDA 已授权紧急使用 20 多项测试。
	它们都是实时 PCR 测试，用于测试病毒载量，即检测您有多少个病毒基因组副本。
	现在，最初，因为没有标准 - 因为这是我们从未见过的全新事物 - 公司可以开发和使用自己的内部标准。
	今年晚些时候，FDA 制定了自己的标准，并发布了新的标准，重新评估了诊断检测方法。所以我可以比较同一项检测在不同时间点使用不同标准的情况。
	所以我决定只对测试进行排序。你怎么知道哪些测试好，哪些测试不好？我该如何对这些测试进行排序？
	好吧，我们可以看看病毒载量与病毒基因组拷贝数之间的分析关系
	以及诊断测试的临床敏感性。所以，在X轴上，我们表示每毫升有多少个基因组拷贝，也就是病毒载量。
	较小的值检测的是轻度病例。而我们在这里最右边，我们实际上只会检测到感染非常严重的个体，也就是超级传播者。
	这里的 y 轴代表检测到的病例比例。再次强调，这是真实的证据。因此，我们可以通过这条黑线看到，临床敏感性与疗效好坏之间存在关系。
	对不起，对于这么小的
	我们能检测到的病毒载量是多少。所以，检测到较小的病毒载量是好的，我用它来进行排序。
	所以我有两个不同的时间点，4 月 2 日和 9 月 15 日，然后对于每个时间点，我根据每个标准对检测限进行了排序。
	因此，如果进行诊断测试，并且以稳健的方式进行，我们会期望或多或少相同的排序顺序和相似的检测限。
	如果这些测试的设计缺乏稳健性，那么我们实际上会看到排名顺序和检测限的变化。
	那么我发现了什么？
	所以我在这里绘制了找到的数据，我有四个独立的
	我的图表中的面板。
	在每个面板中，我把两个不同日期的同一项诊断测试连接起来。例如，在左侧的紫色线中，我连接了
	4 月 2 日的排名上升到 9 月 15 日的排名，而这项特定的诊断测试最初排名第 16 位，然后一路上升到第一位。
	我还画了最终的检测限。如果我画的是4月2日的初始值，那么在其他面板上的结果会更差，所以这是最终值。
	所以这个测试变得更好了，我们看到的是，还有其他一些测试也大大提高了检测能力，大大提高了
	检测限及其检测越来越小的病毒载量的能力。
	但我们也看到测试结果变得越来越糟糕，而且它们的变化幅度达到了几个数量级，例如，下面这个红色的测试，在 4 月 2 日是第三好的测试，但后来它一路下降到第 14 位。
	所以我认为这表明总体而言它只是缺乏稳健性以及这些任务最初是如何完成的。
	我不知道这些测试是如何进行的。
	我不知道他们是否使用了 JMP 和设计实验以及检测限，但我认为应用这些技术肯定可以使使用检测限的任何东西都更加稳健。
	那么让我们来看看 JMP。
	那么我该如何设置检测限呢？
	嗯，你可以直接在自定义设计器里操作。现在有一个框，你可以直接在里面输入检测限。
	当您在输出表的自定义设计器中执行此操作时，它会创建一个包含检测限的列属性。
	当你在广义回归中分析这个问题时，广义回归将处理，
	将使用这些检测限，并将这些检测限之外的变量视为删失值。
	让我向您展示如何在 JMP 中执行此操作。
	这是我在实验设计中设置的数据表，我得到这个数据表的方法是，我去了 DOE，定制设计师。
	您可以看到这里是我为每个响应设置检测限的地方。
	看我打字很无聊，所以让我向你展示我如何为这个特定的数据表进行设置。
	我在这里有几个回应。
	我有各种不同类型的检测限，所以对于我的一些反应，我既有检测上限，也有检测下限。你可以选择任意方向的单侧。
	所以这里，我只有一个较低的检测限，这里我只有一个较高的检测限。
	如果没有检测限，您当然可以将其留空。
	如果我们看一下。
	在数据表中我们可以看到，您实际上可以将其视为检测限制。
	但我可以选择所有这些。
	只需滚动浏览它们，就能看到检测限的样子。所以它只是列属性中的另一个项目。这是我的上限和下限。
	再说一次，我有上部和下部。
	对于这个，这只是我的下限；对于下一个，这只是我的上限。
	现在粘度根本没有这个，所以如果我想回去手动添加它，或者如果你使用检测限进行分析，但你没有在设计实验中设置它，
	你可以直接进入列属性，它就在列表中。这些都是适用于设计实验的列属性。
	只需添加检测限，然后我们就可以输入我们想要的任何值，所以我们可以说 1300。
	和
	为单侧极限。
	只需添加它，它就会出现在那里。
	这就是获得检测限的方法。
	数据表和列的列属性。
	好的，现在我们来讨论如何分析具有检测限的数据。
	因此，我想分析一个使用定制设计器设置的实验，该实验的目标是优化水样中农药的测定。
	这是一个三因素实验，进行了 32 次运行，并且是最优设计。
	其中九项观测结果低于 1% 的检测限。
	因此我将向您展示如何在 JMP 中分析数据。
	但我确实也想做这个额外的比较。那么如果我们不使用或没有检测限会怎样呢？
	嗯，我的检测限是 1%，而且我们不确定这些实际值是多少，所以我想，我们可以对一种情况取零，然后。
	所以，水样中根本没有农药，或者我们可以说它正好处于检测限，并使用1的值。所以这是两种可能的情况。如果我们不使用检测限，你会看到，
	我们不会找出所有的因素，这实际上会对我们的结果造成极大的误导和不准确。
	那么让我向您展示如何在 JMP 中执行此操作。
	这就是我的。
	设计看起来像所以我有 Metacrate 作为响应，这是我的检测上限和下限。
	以下是我的三个因素。
	我刚刚做了一个响应面
	设计，所以它是每一个
	因素，然后是二次和双向交互，最后我完成了 32 次运行的设计。
	数据如下。
	这是我实验设计的结果，也是我所遇到的情况
	零，这就是我的机器所说的，我的机器说我没有检测到任何东西，但真实的情况是它被审查了，这就是我从设置实验设计开始就存在的检测极限。
	我们将使用广义回归来分析这一点。
	它是否在常规最小二乘法中存在检测极限，因此，虽然我可以运行这个脚本，但我确实想向您展示我实际上是如何设置它的。
	所以我有 Metacrate 是我的结果变量，我们将使用广义回归。
	这里的正态分布是可以接受的，它适合数据，但它会产生负的预测值，而我所拥有的农药数量并不存在负值。
	因此，为了保持正态性，我实际上要将其更改为对数正态性，这样我的所有预测值都是正态的。
	请注意，我不需要输入任何内容进行审查，这里有选项，但 JMP 会自动处理这个问题。
	当我们进行实验设计分析和推广回归时，前向选择是一个不错的选择，它非常类似于您可能熟悉的逐步回归或逐步
	在适合的模型平台中。
	因此，我们可以在我的模型摘要中看到它提醒我它有检测极限。
	我的 R 方是 0.91，所以这非常合适。
	如果我们看看这里发生的细节，
	如果你不熟悉解决方案路径和泛化回归，你所关注的是参数如何进入模型，所以再次强调这是前向选择，
	然后根据它们的影响程度进行缩放，因此第一个进入的是我的二氯甲烷，它对结果有积极的影响。
	但接下来出现的是二次方程，它有一个负数，
	这是一种负面影响，因此实际上是一个负面估计。
	因此，这很有趣，值得一看并与之互动，总的来说，基于最小 AIC 分数的最佳模型有五个步骤。
	现在我喜欢用预测分析器来将方程式形象化。
	我将暂时简化它，并让它稍微大一点。
	预测分析器向我们展示的是我们的成果变量 Metacrate，它是这里的 y 轴，每个方块都是我们实验中的一个因素。
	我们正在研究的是方程式，或者关系
	图形上。所以我们可以看到相互作用，因为当我改变二氯甲烷时，其他因素的形状也会发生变化，你当然可以看到这些参数中存在很大的曲率。
	我也有我的实际预测
	情节实际上看起来相当不错。
	所以我想要做的是，最大限度地提高我能检测到的 Metacrate 的量，这就是我做实验的原因。我会用 JMP 来找到最大水平。
	结果发现，我能检测到的 Metacrate 的最大数量是 38.6。
	这就是这些因子的设置，所以我的水样中甲醇的含量和二氯甲烷的含量刚好低于六。
	这是我的实验的结果，我想回去实际测试一下，确保它有效。
	现在，如果我忽略检测极限并尝试其他方法会怎样？
	所以在这里，我有完全相同的数据。
	在 Metacrate 中，数值为零，但我做的是添加了几列。有一列，我说，嗯，也许它实际上处于下限，在右边 1 的位置，所以我把这些值从 0 改为 1。
	然后，或者，如果这些样本中没有发现任何东西，那么它将是零，在这种情况下我不能使用零，因为它是对数正态的，所以我只选择了一个很小的值
	所以 1 乘以 10 的负 12 次方对，所以点 .00000000001 认为这是正确的零的数量。
	因此，让我们根据这两种条件来分析数据，同样，我们不会使用检测限。
	因此，我将使用第一个而不是 Metacrate，我们将在其中重置所有这些值，使这些值处于检测的下限。
	我们将进行前瞻性选择。
	所以没有，您可以看到这里没有检测极限，就像之前我的 RSquare 略低于 0.7 一样。
	但是你可以从我的解决方案路径和参数估计表中看到，
	我只有三个步骤，前进到我的建模步骤，我没有捡起很多东西，我这里有很多空白，如果我们看看我的图片
	在分析器下面的方程中，您可以看到我实际上缺少了一个因素，我们可以将它与这里的这个进行比较，我完全错过了甲醇。
	如果我最大化
	我能找到的最大数量的 Metacrate 也只有 16 个左右。
	而我实际预测的情节看起来不太好，也不太令人满意。
	所以这是一种情况，对吧，我们只是完全忽略了其中一个因素，我们只是没有发现它。
	然后我们看看另一种情况，如果不是一个，如果它几乎为零怎么办？
	虽然不完全是零，但已经非常接近了。
	前向选择。
	再次，我们这里不使用检测限，但看看我的 RSquared 是 0.997。
	所以它认为它找到了一个非常好的契合点。
	但这里仍然有一些奇怪的事情发生，我的模型中只有三个步骤，我并没有发现太多，我发现
	我的二氯甲烷和我刚刚完成，就拿起了我的样品量。
	如果我们看一下预测分析器。
	再次，我缺少甲醇，所以我没有我的一个因素，我的实际预测图看起来如此，但这里到底发生了什么，我的曲线的顶部到底在哪里。
	我要打开这个自适应 y 轴，以确保我能看到所有内容。
	它的预测值大约是几百，如果我
	我不会，我可以运行最大化可取性，但你可以看到它超过了470，即使我只是手动尝试选择一些东西。现在记住，
	我的检测限是 99，所以这些值甚至没有意义。
	和
	我忽略了一个因素，这没有意义，但我真正想展示这个例子的部分原因是我在客户那里看到过这种情况，
	我无法向他们解释发生了什么，所以我知道如果人们没有使用检测极限，这种情况就会发生，
	你会得到一些非常非常奇怪的结果，因为你已经决定了如何处理分析中的数据，你要么将其视为一，要么将其视为零。
	在这种情况下，这是两种替代方案，但它们与在水中检测这种农药的真正能力的实际情况以及我的设计实验的结果相差甚远。
	所以。
	我真正希望大家记住的关键点是，第一，检测限非常重要。
	你不应该忽略它们，也不要用高值或低值的替换它们，你真的
	你应该把不确定性纳入实际分析中。JMP 让这变得非常容易。你可以在实验设计平台中完成，也可以在列属性中完成。
	然后，一旦它们存在，使用广义回归，您可以进行包含检测极限的分析，它将为您提供最好的模型，您将找到您的因素以及它们之间的真正关系。
	最后，在 JMP，我们确实鼓励人们回去重新分析数据，您可能会看到一些奇怪的结果。
	可能是这样，你应该知道什么时候基于某种分析方法的检测限
	我们确实认为人们应该回过头来重新分析这些数据，并在实验设计中使用检测限，这样可以更快、更准确地达到你想要的目的。
	非常感谢您聆听我的演讲，如果您有任何疑问或想了解后续内容，请随时联系我们。

高级统计建模基础数据分析与建模消费者和市场研究实验设计大规模定制预测模型和机器学习质量与工艺工程可靠性分析分享和交流结果