I
suis
Bruyère
Se précipiter.
Bien que André Karl, et Jeff Hofer , et Meule Burdick, quelques coéquipiers de le mien ,
a fait le majorité de technique travail ici, Je suis aller à être le un présentateur aujourd'hui .
Je suis aller à parler à propos comment JMP et JMP scripts peut être utilisé
dans a très particulier spécifique application dans cellule thérapies.
Je suis aller à parler a petit peu à propos quoi thérapies géniques et cellulaires sont
et le très spécifique exemple que I je veux parler à propos
est comparabilité.
Je suis aller à se concentrer sur processus changements.
Curieusement assez, dernier année,
I a donné a parler , et il concentré sur cellule et gène thérapies.
Ils sont très roman thérapeutique.
Le d'abord un était approuvé dans le Uni États dans 2017.
A petit peu différent que la plupart de ,
quoi I appel le petit molécule et le grand molécule thérapeutique
que vous pouvez avoir entendu de dans le passé.
Laisser moi juste touche base sur quoi est a cellule et gène thérapie.
D'abord chose Je suis aller à faire est touche base sur quoi a gène thérapie est.
Quoi tu es essentiellement faire est tu es remplacer
a gène avec a en bonne santé un,
ou tournant désactivé mauvais gènes.
A parcelle de cancers sont causé par défectueux gènes.
Quoi tu es faire est tu es insérer ces en bonne santé gènes dos dans a patient
de soit dans vie ou dans in vitro.
Un dans vitro serait être plus de a os moelle transplanter.
Dernier année, I parlé à propos ,
le défi avec gène thérapies est que patient -à -patient variabilité.
I concentré sur processus développement.
Alors I parlé à propos cellule thérapies.
Dans le cellule thérapies , quoi tu es faire est que vous êtes remplacer maladie cellules.
Tu es soit transfert quelques trier de en bonne santé cellule dans a patient,
ou étaient remplacer manquant cellules dans a patient.
Où faire ces cellules viens depuis?
Ils soit viens depuis le patient eux-mêmes,
donc toi serait avoir à accord avec que patient -à -patient variabilité,
ou dans la plupart cas, ils viens depuis a en bonne santé donneur.
Maintenant tu es pas transaction avec ce variabilité interindividuelle,
mais tu es transaction avec donneur -à -donneur variabilité.
Chaque fois que I dire donneur, Je suis parler à propos a en bonne santé donneur.
I pourrait être a en bonne santé donneur.
Alors quelqu'un autre pourrait être a en bonne santé donneur aussi.
Dans les deux de ceux cas
est toi avoir à accord avec que de patient à patient
ou donneur -à -donneur variabilité.
Qu'est-ce que intéressant est dernier année , JE a donné le exemple dans processus développement,
et il regard quelque chose comme ce.
Il était le exact même données ensemble que I utilisé dernier année que I dit,
dire que toi étaient développement a processus où toi regarder temps, température , et pH,
et tu es mesurer leur effet sur cellule viabilité et par produit.
Dans que cas est, I ne peut pas utiliser un donneur matériel,
I avait à diviser que en haut dans quatre différent donateurs.
I dit, "Si toi couru ces expériences pour processus développement,
et toi a fait pas considérer que là était donneur -à -donneur variabilité,
ce est quoi toi serait voir.
Quoi toi serait dire est étaient regarder pour Valeurs p que sont ci-dessous 0,05,
toi serait dire rien affecte cellule viabilité
et rien affecte par produit.
Toi étaient pas capable à détecter que toi avait n'importe lequel significatif
ou critique processus paramètres
pour le très raison que toi faire pas considérer
que là pourrait être a différence dans donneur.
Droite maintenant, si toi faire considérer ceux comme quoi c'est appelé a fixé donneur effet,
le seulement chose que I a fait est I apporté dans donneur.
Alors toi voir que NAND.
Ce vraiment s'accroche dehors quoi de manière significative affecte cellule viabilité
et quoi de manière significative affecte par produit.
Le entier parler était sur comment fait que donneur à donneur variabilité
affecter statistique inférence et aussi processus capacité.
Je suis aller à se concentrer sur que statistique inférence.
Quoi sont toi en essayant à faire dans processus développement
est tu es en essayant à déterminer si des choses comme le pH, et température, et temps
de manière significative affecter ton critique égalité attributs.
Dire que I était a médicament fabricant ,
et I avoir ensemble en haut a processus développement étude .
I envoyer ce processus développement étude .
I vouloir à déterminer si température affecte,
et Je suis aller à appel il cellule viabilité.
I dire, "Hé chaque fois que Je suis regarder à que , est I je veux faire bien sûr que si quelque chose
de manière significative affecte mon qualité attributs,
I contrôle que dans mon processus.
Mais si il n'a pas, I suis pas dépenses argent et temps et ressources contrôle il."
Quoi Je suis concerné avec comme a médicament fabricant
est le Type I erreur taux.
I faire pas vouloir à gonfler a Type I erreur taux.
A Type I erreur taux serait dire,
"Hé , ce est significatif quand, dans fait, c'est pas."
Quoi faire toi pense que réglementaire agences serait être plus concerné avec?
Toi contrôle plus des choses?
Sont toi pas contrôle des choses que devrait être contrôlé ?
Que est exactement droite est ils être plus concerné
à propos que patient risque, que Type II erreur.
Dans processus développement est médicament fabricants
faire pas vouloir à gonfler le Type I erreur.
Ils aussi vouloir significatif pouvoir. Pourquoi?
Parce que que contrôles que patient risque.
Le entier indiquer de moi montrant que dernier année
était à montrer le efficace donneur à donneur variabilité
sur en essayant à déterminer ton critique processus paramètres.
I appel il statistique inférence.
Droite maintenant, quoi se produit si I changement mon processus?
I avait a collègue juste dernier semaine , JE était fonctionnement avec son.
Chaque fois que étaient parler à propos cellule et gène thérapies, elle dit,
et ce est son citation, "Bruyère , à cellule et gène thérapies,
des choses sont en permanence changement.
Toi pourrait avoir des choses comme analytique méthodes changement.
Toi pourrait avoir des choses comme processus changement."
Aujourd'hui, Je suis aller à feu s sur ce processus droite ici.
Principalement, Je suis aller à se concentrer sur que processus changement.
I faire je veux indiquer dehors que réglementaire agences comprendre
que toi avoir a besoin pour améliorer ton processus.
Même si toi améliorer ton processus, sont toi changement ton processus ?
Ils reconnaître le besoin pour que, mais ils aussi reconnaître le besoin
que le thérapeutique que tu es fabrication depuis que processus
devrait être similaire dans termes de produit qualité.
Tu es en utilisant ces dans clinique procès.
Quoi fait il signifier à être similaire?
Que n'a pas dire que ils avoir à être exactement le même,
que ils avoir à être similaire ou comparable.
Dans termes de moi adage que quelque chose est similaire,
quoi I je veux faire est I je veux faire bien sûr que I avoir quelques similarité condition.
C'est le entier indiquer de comparabilité.
Pour très faible risque attributs,
quoi I peut faire est I peut montrer que processus A et processus B
est similaire dans côté -par -côté intrigues .
Pour plus plus haut risque attributs,
quoi I je veux faire est peut être quelque chose comme a qualité gamme.
Dans termes pour qualité gammes,
I juste prendre que référence groupe, le vieux processus,
et I construit quelques gamme autour il
et assurer que tous de ème e mesuré qualité attributs
depuis le nouveau processus automne dans que gamme.
Pour très haut risque attributs,
quoi I je veux faire est I je veux faire équivalent Quel test !
Ce est quoi Je suis aller à se concentrer sur aujourd'hui,
dire toi à propos quoi équivalence essai est,
et comment que acceptable différence ou que similarité condition est ensemble.
C'est appelé équivalence essai, Deux unilatéraux Test t.
À réitérer quoi nous parlé à propos avant,
chaque fois que Je suis en utilisant conception de expériences dans processus développement,
quoi I faire est Je suis changement quelques variable -comme température
depuis faible à haut ,
et Je suis mesurer le effet sur mon critique égalité attributs.
I suis supposant dans le nul hypothèse que ils sont le même.
Quoi I faire est I ensemble en haut a conception à voir si ils sont différent.
A Type I erreur dans que cas serait être moi adage,
"Ouah, ils sont différent " quand , dans fait, ils sont pas.
Que serait signifier que I serait contrôle que.
I serait dépenser ressources contrôle que dans le processus.
Si Je suis a médicament fabricant,
I faire pas vouloir à contrôle des choses que I ne le faites pas besoin à.
Je suis concerné à propos que Type I erreur taux .
Si I était a réglementaire agence,
I serait être même plus concerné avec le Type II.
Il y a Non différence quand, dans fait, là est .
Toi devrait être contrôle quelque chose et tu es pas.
Si I était a réglementaire agence,
Identifiant être plus concerné avec le Type II erreur.
Maintenant, nous sommes en allant à retourner il.
Étaient aller à parler à propos équivalence essai.
Équivalence essai est Je suis pas adage que ils sont le même.
I suis supposant que là est a différence.
Je viens de je veux faire bien sûr que le différence n'est-ce pas aussi grand.
Que aussi grand, Je suis aller à appel delta.
T voici a parcelle de différent façons à calculer que delta.
Je suis aller à appel il d ou que delta droite là,
souvent appelé le équivalence acceptation critères.
Je voudrais comme à viens depuis sujet matière compétence,
mais le majorité de fois, il vient depuis moi prise
quelques valeur k fois que historique valeur.
C'est diviser dans deux différent tests .
Sur un, Je suis en train de déterminer si c'est moins que positif d.
Dans le autre un , JE vouloir à montrer dans le alterner hypothèse
que cette différence est plus grand que a négatif d.
Je suis en allant deux différent côtés.
C'est qu'est-ce que appelé le gauche -main côté de le bas,
ou le haut.
Dans termes de, si I était a médicament fabricant, quoi serait I vouloir à faire?
Je voudrais vouloir à être capable à rejeter les deux de ceux hypothèses.
I serait vouloir haut pouvoir, faible Type II erreur et haut pouvoir.
T son est équivalent à prise a 90% confiance nombre
autour le différence dans moyens dans assurer que 90% confiance intervalle
chaque fois que Je suis regarder à le faible et haut ou dans le équilibre de ceux inférieur delta
dans le supérieur delta.
Si tu es regarder à ce, toi devrait pense à toi-même est,
"JE vouloir le largeur de que confiance intervalle à être très petit."
Quoi sont le différent façons que I pourrait faire le largeur
de que confiance intervalle
pour le différence entre ceux deux moyens très petit?
I pourrait diminuer mon standard déviation.
C'est a bien chose.
I pourrait augmenter mon échantillon taille.
C'est a bien chose.
I pourrait aussi augmenter mon alpha niveau.
Peut être que ne le ferait pas être donc bien parce que quoi tu es faire
est tu es gonflage ton Type I erreur taux.
Dans gonflage ton Type I erreur taux, quoi tu es adage est,
I suis déclarant que ils sont équivalent quand En effet, non.
Le différent façons à contrôle le largeur de que confiance intervalle
est à inférieur s, augmenter dans, ou augmenter alpha.
Nous parlé à propos deux de ceux être bien et un de ceux pas être bien.
Il fait sens que si Je suis a médicament fabricant,
I vouloir à maximiser le pouvoir de le conception.
C'est le retourner. I vouloir à minimiser mon Type II erreur.
Réglementaire agences vouloir pour s'assurer que toi faire pas gonfler
que Type I erreur taux.
Que Type I erreur taux serait être adage ton supposer équivalent
ou tu es déclarant équivalence quand en effet ils sont pas.
Dans JMP, toi peut faire ces équivalence tests,
et I je veux montrer toi un exemple de que.
Pour mon journal, d'abord chose I je veux faire
est I je veux montrer toi que dans termes de déterminer
ton Type I erreur taux et ton Type II erreur taux
est JMP fournit pouvoir courbes
sous Échantillon Taille Explorateur , Pouvoir , Deux Échantillon Indépendant Équivalence.
Caleb Roi a fait un affreux super emploi avec ce.
Je dis affreux super emploi, mais il a fait a super emploi avec ce.
Allons-y juste dire que mon marge, mon équivalence acceptation critères,
est plus ou moins 2 standard écarts.
Je suis juste en allant à mettre a 2 ici,
et c'est juste 2 fois le standard écarts que Je suis parler à propos de.
C'est tous que Je suis faire.
Allons-y juste dire que dans mon historique processus
est I avoir 10 beaucoup,
et Je suis aller à comparer il à a nouveau processus que a 5 beaucoup.
I vouloir à voir quoi le pouvoir est si ils sont exactement le même,
mais il y a Non différence entre ces.
A peu des choses que I je veux indiquer dehors ici est JMP donne ceux pouvoir calculs.
Le autre chose que il fait est il permet toi changement ceux.
Qu'est-ce que aller à arriver si I faire des choses comme augmenter mon nouveau processus,
le nombre de échantillons dans mon nouveau processus jour rapport ,
mon pouvoir est aller à aller en haut.
Quoi serait arriver si I faire des choses comme,
"Hé, Bruyère, I vouloir à diminuer que marge de erreur
à, plutôt 2 standard écarts , à dire peut être 1.5 standard écarts,
essentiellement , comme Je suis prise ceux frontières
et Je suis serrage eux en haut."
Quoi I voir est mon pouvoir est en allant à aller vers le bas.
Je suis capable à demander moi-même tous ceux typique questions
que toi serait dans équivalence essai.
Ce est quelque chose autre que I je veux montrer toi c'est aller à viens en haut
est JMP a le capacité à dire,
faire I savoir le vrai standard déviation ou pas?
Si I savoir le vrai standard déviation, que est en allant à être mieux.
Tu es aller à voir que ton pouvoir va en haut.
En effet, quoi se produit est mon pouvoir va en haut.
C'est généralement pas le cas.
I toujours appel que le utopie,
lequel utilise le cas si I faire pas savoir quoi que vrai standard déviation est.
I toujours appel ce le optimum, a voiture de le utopie.
I toujours appel le Non, le réalisme.
I serait être négligent
si I a fait pas montrer toi le outils que JMP fait avoir
pour montrant que équivalence
comme si I avait un historique processus où I avait 10 beaucoup et I fait 5 nouveau ceux-ci.
D'abord chose I je veux faire
est I je veux regarder à ce via Graph Builder,
et I voir que là est Non effet entre ceux deux.
I peut voir les deux de ceux , et ils les deux regarder comme
ils est venu depuis le nouveau processus, le bleu contre le rouge.
Comment à propos si là est un effet ? Quoi I faire est I voir a changement.
Juste comme I montré toi avant c'est ça est Deux Unilatéral Test t.
JMP a outils pour que.
Audience Feng a fait a super emploi avec ce. Mon bonté. I amour le scores parcelle.
Voici le différence dans moyens. Voici le inférieur , et voici le supérieur,
et c'est dans le frontières.
Dans que cas, quoi vous avez fait est toi rejeté les deux le nul hypothèse
dans service de le alterner,
lequel est le même comme quoi toi voir dans le image.
Quoi toi aussi voir ici est que si là est un effet,
est I suis pas en allant à rejeter les deux le valeurs nulles.
Un de ceux est I suis en allant à échouer à rejeter et en effet I a fait.
Quoi vous allez voir est mon confiance intervalles en dehors que limite.
I serait comme à parler à propos a très spécifique cas.
A très spécifique cas dans cellule thérapie est appelé diviser aphérèse conception.
Dans a diviser aphérèse conception , ce est a situation où
dans cellule thérapies est tu es changement le processus.
Quoi toi faire est tu es en utilisant donneur matériels diviser
entre le deux différent processus.
Nous gardé obtenir questions sur et sur et sur encore
depuis notre clients à propos de,
"Peut I regarder à le échantillon taille et pouvoir calculs
pour ces paire de dessins ?
Ne peut pas recouvrir eux .
Vous ne pouvez pas voir si ils sont dépendant sur que donneur -au-donateur variabilité?
Allons-y parler à propos a diviser aphérèse conception.
Dans a diviser aphérèse conception, d'abord chose I je veux faire
est I vouloir à dire toi à propos le réglementaire attente.
Ce est même a récent brouillon conseils document depuis le FDA
dans Juillet de 2023, juste dernier mois.
Dans que , ils dit que toi besoin à sélectionner a approprié statistique test
pour analyse dans différence entre appariés données
où ceux donateurs sont appariés en haut.
C'est où le diviser aphérèse conception vient depuis.
Pour chaque célibataire donneur matériel que toi avoir,
toi diviser il dans entre processus A et processus B.
Ce est pas deux indépendant Tests t.
Quoi ce est, est a appariés conception.
C'est le d'abord chose que I recherché à parler à propos de.
Le deuxième chose est,
I recherché à parler à propos que toi sont très souvent dans tôt scène,
donc toi faire pas avoir a doubler de donneur matériels,
donc toi avoir très faible échantillon tailles.
C'est dur à obtenir pouvoir dehors de faible échantillon tailles.
Le troisième chose que Je suis en allant à dire toi est ,
comment faire toi viens en haut avec ton EAC ?
Comment faire toi viens en haut avec ton similarité condition ,
que différence, que acceptable différence?
Quoi toi faire est toi utiliser historique données que est fait désactivé de multiple donateurs.
Toi prendre le standard déviation utilisé désactivé de historique données.
Je suis aller à appel que n 1 ou historique.
Toi prendre quelques k nombre de standard écarts de historique données .
Toi faire a test , et tu es en utilisant le diviser aphérèse conception
à juge désactivé de que historique données.
Voici deux exemples que je voulais vous montrer.
Le premier exemple ici
est où tu es regarder à processus A et processus B.
Quoi toi voir est toi faire voir six différents donateurs ici.
Quoi toi voir dans le un sur le gauche est le majorité variation est à venir
depuis donneur à donneur variabilité,
pas le différence entre processus A et processus B.
Toi avoir haut donneur -à -donneur variabilité.
Je suis aller à appel que, douche.
Dans le cas sur le droite, quoi toi faire est,
est le majorité variation est à venir depuis le différence
entre processus A et processus B, pas le donneur à donneur variabilité.
Le majorité variation est à venir depuis le analytique ou le processus.
Quoi que raconte toi est toi avoir très faible rho.
Tu avoir faible donneur à donneur variabilité.
Je suis aller à montrer toi a série de scripts que nous travail sur.
Ces sont typique questions que est venu depuis notre clients.
Dans notre cas, nous faire pas savoir quoi le standard déviation.
Comment fait que comparer à le connu?
Comment à propos ceux Type I et Type II erreur tarifs ?
Souviens-toi, si Je suis a médicament fabricant, I vouloir à augmenter le pouvoir.
Si Je suis a réglementaire agence,
I vouloir à faire bien sûr que toi faire pas gonfler que Type I erreur taux.
Comment sont nous aller à faire ce?
Ce est depuis le européen Médicaments Agence, 2001.
Le meilleur chemin à faire que est avec des choses
appelé attendu exploitation caractéristiques courbes.
Que donne toi pouvoir sur le axe des y et a changement dans le principal.
I 'm en allant à aller à travers a série de scripts,
et ces série de scripts ...
Il s'agit en réalité d'un seul script que avoir droite ici,
que c'est aller à permettre moi à changement des choses comme que rho,
que proportion de donneur à donneur variabilité.
Que k -valeur, souviens-toi, comment faire I ensemble le acceptation critères?
Il est k fois que standard déviation.
Le typique chemin de faire ce est que k fois ceux historique beaucoup.
Ce est le nombre de historique beaucoup que toi utiliser n1.
n2 est le nombre de beaucoup que Je suis aller à utiliser pour que appariés conception.
Chaque fois que toi courir le scénario, quoi se produit est toi viens dehors ,
et il fait a série de simulations.
Dans ce cas, il a fait 5 000 simulations ,
et il calcule le pouvoir pour toi.
Dans ceux 5 000 court, quoi pourcentage de ceux passé?
Il regard quelque chose comme ce. Il donne toi a parcelle de différent options.
Mon bonté . JE peut regarder à différent k -valeurs.
I peut regarder à a différent nombre de n1, lequel sont appelé historique beaucoup.
I peut aussi regarder à le différent nombre de n 2 ou appariés beaucoup.
Droite maintenant, je je veux parler à propos de...
Chaque fois que I faire ce, quoi I peut faire
est-ce moi peut sélectionner lequel de ces différent cas que I vouloir à regarder à
être capable à répondre typique questions.
Laisser moi ouvrir en haut mon typique comparaisons ici.
Le d'abord un I je veux parler à propos est,
Heath, quoi si I avoir a norme connue déviation?"
Regarder quelque chose comme ce.
C'est quoi le connu standard déviation regard comme.
A peu des choses que I je veux indiquer dehors
est ce est le pourcentage de temps que tu es en allant à réclamer équivalence.
Si ils sont exactement le même que toi dit tu es aller à réclamer équivalence
a haut pourcentage de temps.
Si il y a a énorme différence entre eux comme a deux standard déviation changement
ou a trois standards déviation changement , est tu es pas en allant à réclamer équivalence.
C'est a bien chose.
Le autre chose que I je veux montrer toi ici
est si tu es regarder à ce alpha de 0,05,
être que I ensemble mon k -valeur à 2 ,
k nombre de standard écarts contre 10 historique beaucoup,
le standard déviation de 10 historique beaucoup,
toi serait attendre que alpha niveau serait être 0,05,
le exact alpha niveau que I ensemble dans mon équivalence test.
Droite maintenant, le chose que I je veux montrer toi
est ce est pour a proportion de donneur -à -donneur variabilité de 90%.
Quoi se produit si I changement que?
Quoi se produit si I changement que à 60%.
Quoi se produit si I changement que à 30% ?
Il y a Non donneur à donneur variabilité.
Quoi toi voir est que appariés test, le pouvoir courbe regard très bien
chaque fois que I avoir haut donneur -à -donneur variabilité.
Le autre chose que toi avis avec le connu standard déviation
est le alpha niveau indépendamment de de exploitation caractéristiques courbe
est toujours à 0,05.
Allons-y parler à propos quelques autre typique questions.
Un typique question est ,
comment fait il comparer pour le différent niveaux de rho ?
Comment fait mon typique chemin de faire ce ?
I faire pas savoir quoi le standard déviation est.
Mon typique chemin de faire ce est dans le bleu.
Le connu standard déviation est dans le rouge.
Un chose que I je veux indiquer dehors
est I je veux indiquer dehors ce un droite ici.
Quoi toi voir est le préféré approche,
le approche que même réglementaire documents avoir dit que toi devrait faire,
le appariés approche,
en utilisant le standard déviation
que est calculé désactivé de mon historique beaucoup,
est I avoir un gonflé Type I erreur taux.
Ce devrait être 0,05 juste comme il est ici.
Que était vraiment étrange à nous, et nous regardait dans ce.
Quand nous regardait dans il, quoi nous trouvé est ,
il a tout à faire avec ce droite ici.
Le raison pourquoi il a tout à faire avec ce droite ici,
comme I dit, comment faire I diminuer le largeur de que confiance intervalle?
Le chemin que I diminuer le largeur de que confiance intervalle
était soit à diminuer s , ou augmenter n , ou augmenter mon alpha niveau.
Comprendre ce.
Ce est pourquoi toi avoir un gonflé Type I erreur taux
avec ce appariés test
est ceux deltas , lequel tu es en utilisant à juge ce désactivé de, ceux deltas
sont en utilisant le standard déviation désactivé de historique données
que contient donneur à donneur variabilité.
Que confiance intervalle droite là
fait pas contenir donneur à donneur variabilité.
Pourquoi? Parce que toi a fait a paire test .
Que contient seulement analytique et processus variabilité.
C'est où cela gonflé Erreur de type I taux vient depuis.
En utilisant ce appariés approche son comprendre
toi avoir un gonflé Type I erreur taux.
Nous voir que, et c'est même plus répandu
quand toi avoir haut donneur -à -donneur variabilité.
Pourquoi? Parce que si toi avoir faible donneur à donneur variabilité,
ème au processus variabilité
est le le plus grand partie de le variance composant que toi avoir.
Allons-y regarder à a peu plus questions que toi avoir.
A s I dit, ce un scénario réponses ces différent questions.
Ce est répondre le question ,
"Hé, Bruyère, si I utiliser que appariés approche c'est recommandé,
peut I regarder à quoi se produit comme I augmenter échantillon taille
depuis 3 à 4 à 5 à 6 ?
Deux des choses que I je veux indiquer dehors ici
est nombre un , quoi toi voir comme I augmenter échantillon taille,
est Je suis aller à avoir plus haut pouvoir.
I toujours faire pas avoir adéquat pouvoir si il y a Non donneur à donneur variabilité.
Que moyens que I avoir 0 donneur à donneur variabilité.
I serait besoin à moins a échantillon taille de 8 ou 8 différent donateurs.
Si I faire avoir haut donneur à donneur variabilité,
comme 0,9, 90 % de que variabilité, lequel toi voir est I faire avoir haut pouvoir
pour Non différence entre le moyens.
Quoi I peut faire est I peut faire bien sûr à répondre ceux questions
avec superposé exploitation personnage s se produit pour différent échantillon taille.
I peut aussi répondre que question si I était regarder à , et I dire, "Hé ,
J'ai déclaré mon différent échantillon tailles,
mais que se passerait-il si nous regardions le différent k -valeurs?"
Comprendre que ton acceptation critères est k nombre de standard écarts.
Qu'est-ce que aller à arriver c'est ça acceptation critères
sont ceux-là quoi I appel aller poste sont en allant à élargir comme toi augmenter k.
Donc, tu es aller à avoir a beaucoup plus haut capacité
à passer équivalence ,
et tu es aller à avoir beaucoup plus haut pouvoir.
Un autre typique question est ce.
Quoi si I je veux changement les deux de ceux ensemble?
Je suis a grand ventilateur de Constructeur de graphes .
Quoi Graphique Constructeur est quoi tu es regarder à ici
n'est pas seulement sont toi regarder à,
"Hé , Heath, I suis croissant échantillon taille dans bleu, que serait être 3,
dans rouge, que serait être 4,
dans vert, que serait être a 5, et dans violet, que serait être 6 ,
mais I aussi regardait à il pour différent k -valeurs.
Quoi serait ton exploitation caractéristiques courbes regarder comme?"
Bien?
I je veux revisiter ce.
Juste comme I dit avant , JE dit, "Hé , I je veux revisiter ce
et montrer toi que pour..."
Chaque fois que I avoir a grand proportion de donneur -à -donneur variabilité ,
I dit, "Quoi toi voir pour 2 droite ici, I serait attendre mon alpha niveau
que mon proportion de temps que I passer ce test serait être 0,05."
Mais quoi toi voir est toi avoir gonflé Type I erreur taux.
Comment fait ce regarder?
Chaque fois que Je suis regarder à a rho
ou a proportion de donneur à donneur variabilité
que est très petit,
I faire pas avoir beaucoup pouvoir.
Le question était , quoi si nous a fait ce plutôt?
Si nous avait faible donneur à donneur variabilité,
si quoi nous a fait est nous utilisé information depuis ceux historique beaucoup.
Si I avoir Non donneur à donneur variabilité ou très faible donneur à donneur variabilité,
pourquoi ne pouvait pas I juste faire a indépendant t -test,
où I comparer depuis processus A ou mon historique processus,
pas juste le appariés beaucoup,
mais I aussi considérer ceux 10 historique beaucoup
et pas comparer à le signifier de le nouveau processus?
Nous recherché à voir comment que comparé .
Faire il que chemin est le test indépendant est dans le rouge.
Le appariés chemin est dans le bleu.
Quoi toi voir est, si I avoir petit à Non donneur à donneur variabilité
dans mon cellule thérapie diviser aphérèse processus ,
toi dit que le indépendant test t
a beaucoup mieux profil que le appariés approche.
Cependant, si I avoir haut donneur à donneur variabilité,
que appariés approche dans le bleu
a a beaucoup mieux exploitation caractéristiques que le rouge.
Droite maintenant, le question est plutôt de juste automatiquement
faire que diviser aphérèse paire conception,
peut être il serait être mieux
à faire a décision basé sur que donneur à donneur variabilité.
Comment fait ce comparer chaque fois que je regarde à différent k -valeurs?
I voir le exact même chose, le exact même phénomènes qui
avec a faible donneur à donneur variabilité,
il fait sens à faire le indépendant t -test.
Avec haut donneur à donneur variabilité est I avoir a beaucoup mieux
caractéristique de fonctionnement courbe
sont plus haut pouvoir associé avec le appariés approche.
Il n'a pas matière si I regardait à a k de 1.5 , ou 2, ou même 3.0.
Indépendamment de de le k -valeur ,
I avoir a beaucoup mieux exploitation caractéristiques courbe
si I considérer que donneur -à -donneur variabilité.
Quoi si I regardait à différent valeurs de ceux historique beaucoup ?
I regardait à 3.
Nous regardait à 4.
W e regardait à 5 appariés beaucoup. Nous regardait à 6 appariés beaucoup.
Indépendamment de, toi voir le même phénomènes.
Étaient actuellement en écrivant a papier sur ce
à essayer à proposer
que si toi avoir faible donneur à donneur variabilité,
peut être il fait pas faire sens pour toi à utiliser a diviser aphérèse
ou une paire analyse approche.
Peut être le approche est seulement bien
chaque fois que toi avoir haut donneur -à -donneur variabilité.
T ces sont typique questions que sont demandé dans le diviser aphérèse conceptions.
Quoi I je veux faire est I juste je veux couverture
t où ou trois plus de ces
j ust à montrer toi a peu o l'autre des choses que toi pourrait faire.
Ces sont différent des choses que nous étaient regarder à .
Nous regardait à, "Hé , comment fait le exploitation caractéristiques courbe,
comment fait que comparer si nous regardait à dans le bleu
c'est en utilisant rien mais le historique beaucoup
à estimation le standard déviation
contre si toi utiliser le appariés et le historique beaucoup,
lequel est dans le rouge?"
Quoi toi voir est il y a pas beaucoup différence entre ces deux,
en particulier si Je suis en utilisant plus haut échantillon tailles comme le n 2.
W e aussi regardait à,
"Hé, si I estimé que standard déviation
en utilisant a peu différent façons,
quoi si I regardait à estimation
que standard déviation en utilisant le historique beaucoup,
lequel est dans le bleu, contre dans le rouge
est en utilisant le historique beaucoup et le appariés beaucoup ?
I comparer le indépendant cas contre le appariés cas.
Quoi faire I voir? "
Comme I dit avant, toi voir que exact même phénomènes
avec a faible donneur à donneur variabilité.
Le beaucoup mieux chemin de faire ce serait être un indépendant t -test
sur le inférieur droite -main coin.
Que est où toi haut donneur à donneur variabilité.
Il fait sens que nous serait utiliser le appariés approche.
Dernier un que I vouloir à montrer toi
est ce est quelque chose que nous avons a été fonctionnement sur.
Nous regardait à le appariés approche contre le indépendant.
Le appariés approche est dans le bleu.
Le indépendant est dans le rouge.
J'ai dit ce sur et sur et sur encore.
Que il fait sens que si I avoir faible donneur à donneur variabilité,
le indépendant cas dans le bleu regard beaucoup mieux.
Si I avoir haut donneur à donneur variabilité, le appariés approche regard mieux.
Mais un chose que nous a fait i nous a pris a regarder et juste dit,
"Quoi si I a pris a regarder à le approche que a donné moi le le plus court
avec que confiance intervalle?"
C'est dans le vert .
Quoi toi voir est que généralement donne toi le meilleur approche
indépendamment de de quoi ton rho est
ou quoi ton proportion de donneur -à -donneur variabilité est.
Dans clôture,
I serait comme à juste indiquer dehors a peu des choses.
Ce scénario que nous avoir réponses, le long de avec le typique questions
que notre clients avoir sur exploitation caractéristiques courbes,
associé avec ces diviser aphérèse dessins,
ce que je fais vouloir à tirer loin depuis ici, cependant,
est si toi faire avoir a faible proportion de variabilité interindividuelle
est vous allez voir que ces dessins sont très sous-alimenté
pour moins que 8 beaucoup, moins que 8 différent donneur matériel.
Nous en direct dans a monde dans cellule thérapies
où toi faire pas avoir a parcelle de donneur matériels,
donc toi avoir très faible tailles.
Il serait être beaucoup plus efficace si toi avait faible variabilité interindividuelle
à utiliser le indépendant cas.
Nous faire avoir l'autre révisions que nous fait sur ce
où si toi étaient capable à faire multiple beaucoup
pour ceux appariés approches avec le même donneur,
ou si tu es capable à prendre multiple mesures
à être capable à regarder à ceux exploitation caractéristiques courbes.
Remercier toi.
