Bonjour, tout le monde. Merci pour adhésion mon JMP parler aujourd'hui. Aujourd'hui, I serait comme à parler à toi à propos comment nous regarder à équivalence entre ensembles de lot données sur temps à Fujifilm. Dans particulier, Identifiant comme à parler à propos a nouveau multivarié prendre sur le deux un côté Tt est.
Bien que ce particulier peu est a nouveau comparaison technique, il n'a pas remplacer, plutôt il compléments le habituel célibataire indiquer techniques, et dans le flux de travail, nous sont toujours s'appuyant sur fortement sur ceux. Le dernier peu ici volonté décrire comment nous comparer données ensembles, depuis le temps série, nous obtenir depuis deux différent Balance, mais il pourrait être n'importe lequel logique groupe.
Je vais rapidement aller à travers comment nous préparer le données, ou plutôt obtenir il dans le État où nous peut courir le scénarios, et nous volonté regarder à le visualisations pour le habituel célibataire temps points dans JMP, et Bien aussi regarder à quelques scripts que I utiliser à courir PCA sur tous le variables et test équivalence.
T marcher à propos TOST ou équivalence test. T il deux test T est a deux un côté T- test, et il chèques si sur moyenne, ton deux données ensembles pour a donné variable sont équivalent. Très de la même manière, a multivarié test chèques si sur moyenne le fin principal composant ou PC pour a donné jour de a fermentation ici, est équivalent pour deux différent Balance.
Toi besoin données à être dans a spécifique format, mais dans particulier toi besoin deux différent groupes ici. C'est deux Balance, si toi avoir plus que deux, toi volonté besoin à diviser eux dans ensembles de deux. C'est plus approprié pour temps série, parce que c'est a données réduction technique que toi ne serait pas besoin si toi n'avait pas a problème avec ayant a parcelle de données points.
Ce était partie, initialement, de a scénario que était tous fait dans R, mais comme I déplacé dans en utilisant JMP pour visualisations plus et plus, I pensée que il était beaucoup Plus facile à utiliser, en particulier si nous vouloir à passer sur ceux scripts à personnel. R est pas toujours que accessible.
I déplacé a parcelle de le scénario dans JMP par maintenant. Le seulement chose c'est toujours dans R est le données imputation. Le scripts et pré travail prendre soins de valeurs aberrantes, manquant données, et incompatible entrées. Le R fait le données imputation. Pourquoi avoir I déplacé à JMP? D'abord de tous, il était parce que I visualisé dans JMP.
Pourquoi est il bien à visualiser données dans JMP? Parce que JMP est juste fait pour que. C'est vraiment bien pour regarder à manquant données et valeurs aberrantes et n'importe lequel graphiques. Le temps série sont Non exception à ce. Le manquant données visuels dans JMP, donner toi a couleur carte de où ton données est manquant, donc toi peut trouver rangées où données est manquant.
Que moyens a jour pourrait pas être le meilleur à garder dans le données ensemble. Toi peut immédiatement visualiser morceaux de données manquant, que il serait être jours dans a rangée, et toi peut faire a décision sur si toi vouloir à garder tous ceux jours ou faire le analyse deux fois, pour exemple, et il volonté rapidement montrer toi si toi avoir données manquant depuis un groupe et pas le autre, dans lequel cas tu ferais avoir à faire loin avec que variable tout à fait.
Aussi, valeurs aberrantes besoin traitement avant toi interpoler, sinon ils volonté avoir a énorme effet sur le PCA et le comparaison test. Là est un valeur aberrante détection plate-forme dans JMP, mais ce est utilisé ici dans notre flux de travail combinaison avec regarder le temps série et le comparaisons. Mais Je vais montrer tous que dans le démo.
Alors le Graphique Constructeur est utilisé à parcelle tous le temps série. Là sont beaucoup manières à faire que, mais I volonté montrer toi dans le scénario le deux principal graphiques que nous utiliser à vérifier que notre données est bien à aller. Ici ils sont, le temps série, et ceux dans particulier sont enveloppé par un lot, donc que toi obtenir un individuel parcelle pour chaque temps série.
C'est a petit parcelle, mais généralement c'est assez à place manquant données valeurs aberrantes ou n'importe lequel bizarre ou différent comportement. Ici, pour exemple, laisser moi obtenir le laser sur. Et voilà. Ici nous avoir a grappe de points que sont discutable. Nous besoin à vérifier si ce est comportement que nous vouloir à capturer ou si c'est comportement c'est inhabituel, et nous vouloir à puant le repos de le données.
Ou nous pourrait avoir célibataire valeurs aberrantes comme ici. Nous voir ce assez souvent, mais ici toi peut avis c'est tous sur le même jour. Donc est il quelque chose que ça arrive sur jour six dans ceux fermentations? Un autre chemin à parcelle temps série, et nous faire que comme Bien, est à en fait recouvrir eux. Par superposition eux, toi peut voir si ton données est cohérent pour a donné jour.
Ici nous avoir individuel valeur parcelles, lequel est quoi nous regarder à. Mais J'ai aussi demandé JMP à mettre a petit boîte parcelle autour tous ceux données parce que ce imite quoi nous avoir quand nous sont faire notre ANOVA dans le deuxième étape de notre données visualisation.
Ce est très typique de quoi ça arrive dans notre processus sur temps. Dans le d'abord semaine, le données est montrant très faible variabilité. Le boîte parcelles sont petit et ils sont généralement assez Bien aligné. Le moyenne est autour le même valeur.
Quand nous atteindre le deuxième semaine de le fermentation, des choses commencer à dérive à part et des choses commencer à obtenir beaucoup plus variable. Si toi étaient traçage jour six par lui-même dans un lot par jour taper de parcelle ici, tu ferais être capable à voir quoi le différence est sur moyenne entre le grand échelle dans rouge et le petit échelle dans bleu.
Sur jour six, toi avoir a petit différence et sur jour 12, toi avoir a grand différence. Ceux différences sont quoi nous sont regarder à test quand nous faire célibataire points Tests T avec notre ANOVA. Avant nous porter sur, I juste vouloir rapidement avoir a résumer de quoi le différences sont entre T- test et TOST.
A T- test est complètement statistique, si le TOST nécessite a utilisateur saisir pour a pratique acceptable différence. Dans a T- test, toi émettre une hypothèse que là est Non différence entre le signifier et si toi obtenir a petit P valeur ou significatif résultat, alors toi refuser que et toi dire là est a différence entre ton données ensembles.
A TOST raconte toi que là est Non différence entre ton données ensembles, si toi avoir a significatif résultat. Si toi échouer a T- test, le confiance intervalle pour le principal différence, dans ceux parcelles, c'est ça noir carré ici. Donc le confiance intervalle pour le TOST, si toi échouer, fait pas croix le zéro doubler.
Mais si toi échouer a TOST, le confiance intervalle pour le différence est pas contenu par le pratique acceptable différence. Toi avoir deux résultats pour a T- test et deux résultats pour a TOST, lequel moyens toi avoir quatre combinaisons.
Soit toi passer ou échouer les deux, ou toi passer et échouer un de eux. Dans JMP, généralement, là sont différent plateformes que faire TOST et test T, mais toi volonté avoir a normale distribution pour le différence. Si toi passer a test, alors ton signifier différence est dans que petit cloche courbe. Si pas, c'est dehors.
Donc il pourrait rapidement visualiser lequel ceux passé ou pas dans un Analyse de variance. H aussi ils sont, le ANOVA. Allons-y étape deux de notre visualisation et faire le ménage processus. Nous utiliser a scénario à parcelle tous de ceux ensemble dans a rapport donc que nous peut regarder à tous de eux. Si toi pense à propos le données ensemble ici, il était à propos 15 variables sur 12 jours. Donc toi avoir sur 150 tel parcelles, lequel est a parcelle de données à regarder à, en particulier si toi changement des choses et parcelle eux encore.
Mais ici sont quelques exemples de quoi toi pourrait voir. Toi pourrait passer a test T ou échouer il. Toi pourrait passer a test T, mais seulement parce que toi avoir assez couche c'est tirant un de le données ensembles en haut ou vers le bas, pour exemple. Là sont beaucoup possible résultats que toi serait obtenir ici.
Pas tout est sur ce capture d'écran, mais étaient aussi regarder à le variance dans que rapport. Le principal composants comparaisons, nous ne le faites pas faire ce ici avec le scénario. I utiliser le graphique constructeur à en fait parcelle ceux parce que ils sont comme le parcelles I avait dans a couple de diapositives précédent.
Mais le différence que toi pourrait voir ici est dans le échelle. Maintenant, parce que étaient parler à propos principal composants, le scores tendre à être autour zéro sur moyenne, et ils varier entre moins trois et trois parce que nous normaliser le données avant transportant dehors le PCA.
Le avantage de ce est que, maintenant plutôt de ayant à fournir un acceptable valeur pour a tâche, parce que le données est normalisé, nous peut en fait couverture calculer que acceptable différence par prise a multiplicateur de le standard déviation pour notre notes.
Ici nous avoir le d'abord principal composant et il clairement spectacles il y a a grand différence entre le grand et le petit échelle. Ici avec le deuxième principal composant, là est a plus petit différence. Ce est typique de quoi nous voir, parce que le d'abord principal composant tend à capturer le plus large forme de le fermentation profil.
Donc si là est a différence dans que plus large forme, le TOST pour le d'abord PC tend à échouer. Typiquement, quoi J'ai vu est que pour notre données, deux principal composants pourrait capturer à propos 60 % de le information dans le variables. Pour ceux de toi OMS peut avoir fait PC sur données avant, que peut sembler a faible nombre, mais c'est probablement parce que tous le variables avoir a différent histoire à dire.
Un autre chose Identifiant comme à dépenser a petit peu de temps sur est le chargement' s parcelles. Ce est partie de le PCA plate-forme dans JMP, et il a ce parcelle à le très haut de le plate-forme, et c'est a bien un à regarder à si tu es a scientifique c'est plus intéressé dans regarder à qu'est-ce que vraiment en allant sur.
Mais le raison pourquoi I avoir ce sur a glisser ici est parce que ce est a bien représentation de quoi nous sont en allant à voir dans comment beaucoup chaque variable contribue à le modèle que étaient choisir avant faire le équivalence test.
Ici, pour exemple, tous le variables en rapport à viabilité pour notre fermentation sont très corrélé parce que ils sont fermer ensemble et le chemin ils projet sur le PC un et PC deux ici, ils obtenir haut valeurs. Nous dit que ceux carte Bien à le d'abord deux PC. Donc que moyens que ils sont participant a parcelle à le modèle.
Ici nous avoir quelques autre variables que sont étroitement groupé ensemble ici. Donc sodium, potassium et Glutamine. Ils sont très corrélé. Ils carte très Bien à le d'abord PC, mais pas à le deuxième. Donc ils ne le faites pas contribuer a parcelle à le modèle avec le deuxième PC.
Alors ici toi avoir problématique variables. Ils faire pas carte Bien à soit PC. Que moyens que dans a 2 pièces modèle, toi sont pas en allant à capturer le comportement pour ceux variables. Quand toi voir ce, toi déjà savoir que a 2 pièces modèle est pas en allant à donner toi a parcelle de équivalence pour ceux variables.
Dernier étape est à en fait parcelle le TOST. Ce est fait encore en utilisant a scénario. Ceux graphiques sont pas le graphiques que toi serait généralement trouver dans JMP, mais ils sont joli typique de TOST parcelles. Pour chaque PC pour chaque jour, nous volonté avoir a TOST ou équivalence test résultat. Si le confiance intervalle est dehors de le acceptable gamme, lequel est trois fois le standard déviation de le scores dans ce cas, alors nous échouer le TOST.
Quand nous échouer le test, nous donner il a zéro dans le scénario. À résumer quoi ça arrive ici, chaque PC volonté capturer a certain montant de le variabilité. Chaque PC peut passer ou échouer a TOST. En outre, chaque variable contribue à a certain étendue à chaque PC.
A principal composant est a linéaire combinaison de tous le variables. Tout à fait, a variable que a a fort contribution à a principal composant que passes a TOST volonté avoir a fort impact sur dans l'ensemble équivalence entre le lots. Ce est quoi nous sont en essayant à mettre ensemble.
Comment faire nous mettre ce ensemble? Là sont beaucoup manières nous pourrait mettre ce ensemble. I avoir fait quelque chose joli simple ici. C'est juste a somme du produit de passage ou défaut a PC, fois le contribution de le variable. Essentiellement, pour exemple, pour deux PC ici, étaient défaut le d'abord équivalence test, et ce viable, avait a 40 % contribution, donc que obtient zéro, plus un passage le TOST, fois le contribution ici, à que PC.
C'est le dans l'ensemble score pour il. Dans noir, toi avoir le basique scores pour chaque jour ici. Allons-y appel le EQ, tu vas voir que dans le tables plus tard. Sur moyenne, étaient obtenir à propos 70 %. C'est pas aussi mauvais sur le cours de le fermentation. Ajout PC n'a pas faire a très grand différence parce que ce cartographié très Bien à le deux PC.
Le pH, lequel était un de le variables que a fait pas carte très Bien à le d'abord deux PC obtient a vraiment mauvais moyenne score, si toi ajouter seulement deux PC dans le modèle, autour 30 %. Mais si toi ajouter un autre quatre PC, là sont en allant à dire nous ce un, que nombre va en haut à sur 80 %.
Là est Non mauvais ou bien Nombres ici, mais c'est quelque chose toi besoin à garder dans esprit que il vraiment dépend sur le modèle que toi choisir pour en cours d'exécution ce. Mobile sur, ce est le très dernier sortir depuis le scénario, et c'est quoi étaient vraiment intéressé dans, en particulier si nous sont comparer différent processus ou différent manières à courir il.
Toi avoir a bar graphique de tous ton individuel équivalence s. Ce spectacles toi vraiment, par variable, lequel ceux sont similaire depuis un échelle à le autre. Ici nous avoir trois variables que sont joli similaire parmi lots, et alors il vraiment gouttes vers le bas en haut à le dernier un ici lequel a a très faible équivalence.
Dans le haut droite coin ici, JMP volonté mettre un moyenne si toi demander pour il. T chapeau a bien métrique, bien que c'est très réduisant. C'est a bien métrique à comparer le même processus, si tu es en utilisant différent manières à courir le TOST ou différent Nombres de PC.
I avoir plus diapositives à propos ce, mais I pense c'est mieux à courir droit dans le démo dans le intérêt de temps. J'ai mettre a petit JMP journal ensemble. Pas très bien à ce. I espoir c'est en allant à travail. Dans JMP, Bien juste regarder à le données, le trois scénarios, et deux différent manières à courir le dernier un.
C'est le anonymisé données ensemble ici. Mon ordinateur est très lent. Là nous aller. I pense c'est fonctionnement. C'est juste vraiment paresseux. Dans ce données ensemble est le seulement minimum que toi besoin, a courir taper avec deux groupes, a lot IDENTIFIANT, lequel est a catégorique variable malgré être a nombre ici, et le temps IDENTIFIANT dans ce cas, c'est sur un enregistrement a jour, donc c'est sur a nombre de jours.
Le d'abord peu nous faire est parcelle tous le temps série. J'ai gauche ce avec a peu morceaux et bobs que sont pas vraiment bien, donc que I pourrait indiquer eux dehors. Tous le scripts dans ce groupe et là sont trois de eux, sont essentiellement faire le même chose à le commencer, a peu de nettoyage en haut et préparation, et c'est en allant à créer a cloner de ton données tableau à travail sur sans rupture ton données tableau, et aussi a annuaire à sauvegarder tous le sorties depuis le scénario.
Alors le scripts sont essentiellement boucle ici sur le nombre de variables et traçage eux un à a temps et putting tout dans a rapport. Allons-y courir ce. Ce est a très généralisé scénario et il travaux Bien sur tous le données ensembles. Toujours nerveux, des choses sont pas en allant à travail parce que c'est donc lent. Ici nous aller. C'est toujours pensée. Je vais juste être patient et attendez.
Ce volonté parcelle ce enveloppé par lot temps série et dans superposé temps série comme Bien. Vous allez avoir un de chaque pour chaque variable. Il volonté dire variable un, le réel nom de ton variable ici et parcelle eux. Ce est quoi nous vouloir à voir, essentiellement.
Nous avoir le même forme pour tous le lots et ils sont cohérent à travers le Balance. Bien se déplacer vers le bas à un que n'a pas regarder comme bien. Là nous aller. Pour ce variable, nous avoir le même forme pour ce échelle travail, et alors a très différent forme pour le petit échelle. Nous besoin à trouver dehors pourquoi ce est événement et faire nous vouloir à garder ce variable dans le modèle.
Dans particulier ici, nous avoir un lot c'est très s'est mal comporté. Si toi regarder à ce dans un recouvrir parcelle, il est très évident que ce moyenne courbe n'a pas représenter soit le grand échelle ou le petit échelle. Ce est a variable que toi besoin à viens dos sur.
Variable 6, I pense était dans le présentation. Ce spectacles toi où toi avoir quelques valeurs aberrantes que toi peut avoir manqué le temps avant. Alors un autre chose toi besoin à regarder pour dans ceux parcelles, est si ton petit et grand échelle Nombres sont mêlé ensemble.
Si ton rouge et bleu points sont tous mixte ensemble, alors chances sont ton Balance sont joli similaire. Mais dans quelques cas, comme ici, pour exemple, le petit échelle données est presque toujours au-dessus de le grand échelle données. Donc toi peut attendre à voir a différence ici. Ici I avoir moins que variable 11, lequel est vraiment, vraiment mauvais.
Ce ça arrive assez souvent à nous, quand nous avoir a différence dans enregistrement le variables. Ici il était en fait a différent unité, et c'est pourquoi nous avoir très différent Nombres. Maintenant, quand toi mettre le données depuis graphiques dans a rapport comme ce, malheureusement, toi perdre mon préféré fonctionnalité dans JMP, lequel est interactivité.
Toi ne peut pas en fait souligner a indiquer ou a série de points et aller voir quoi ils sont faire dans le tableau. Mais le scénario est économie tous ceux individuel parcelles pour toi. Ici nous étaient. Dans ici, c'est créé a annuaire avec tous le parcelles que nous avons juste vu, plus il enregistré que cloner avec le temps série étiqueté à le fin.
Dans ici, toi peut voir... Si I peut en fait utiliser mon souris, toi peut voir ceux temps série un à a temps. Alors toi peut sélectionner le points que toi serait normalement à utiliser le interactivité dans JMP. Si toi avoir plusieurs ouvrir à le même temps, tous de eux volonté être mis en évidence dans tous ton parcelles.
C'est il pour temps série. Bien se déplacer sur à le deuxième partie de le processus, et c'est regarder à tous ton Analyse de variance. Ce est dans le Plateforme adaptée Y-by-X, et comme le autre scénario, c'est faire a peu de rangement en haut à le commencer, et alors il boucles sur jours et crée a sous-ensemble de le tableau pour chaque jour. Alors il y a a rapport sur le différences entre le groupes.
Si toi avoir écrit scénario avant, toi volonté voir que ce est joli typique de en écrivant a scénario dans JMP. Quelques de il est écrit par main, et a parcelle de il, le en gros de qu'est-ce que événement, I essentiellement couru dans JMP et copie collé il dans le scénario. Bien courir ce sur ce sale données ensemble. Avec un peu de chance, il n'a pas prendre aussi beaucoup temps.
Si toi avoir a rapide ordinateur, I croire que toi serait pas même voir ceux fenêtres en fait ouvrir. Il serait être instantané. Toi pourrait voir ici comment JMP est essentiellement en allant à a nombre jour et alors prise a sous-ensemble de que tableau, en cours d'exécution a scénario, économie il à que petit données tableau, et c'est faire ce pour tous les jours, et nous avoir 12 jours ici, donc il prend a alors que.
Ce volonté aussi sauvegarder tout dans c'est propre dossier. Dans ce cas, Bien juste regarder à un de le enregistré rapports. Ici toi avoir a sous-ensemble, tous ce est pour jour un, mais c'est a beaucoup plus petit tableau. Ici toi avoir le rapport que toi et ton scientifiques serait vouloir à regarder à, lequel spectacles toi tous le Tests T. Maintenant toi peut regarder à tous ceux Tests T juste à voir si ils passer.
Toi pourrait compter comment beaucoup passer et prendre a proportion de passage Test t. Mais ce est aussi a bien lieu pour trouver ceux plus subtil valeurs aberrantes parce que chaque boîte parcelle pourrait avoir quelques données que toi vouloir à question. Encore, toi serait souligner ceux points et vérifier si toi vouloir à garder eux dans ton final données ensemble ou pas.
Mobile sur encore. Étaient enfin à le dernier peu, lequel est probablement le la plupart intéressant. C'est tous le PCA. Ce est a beaucoup plus gros scénario, parce que il a à aller chercher information depuis le JMP plateformes. I ne le faites pas avoir a parcelle de temps pour ce, mais I peut répondre questions à le fin si tu es intéressé.
Le autre chose avec ce scénario est que I avoir dur codé quelques morceaux, donc il besoins à être modifié pour chaque données ensemble. I besoin à réparer que à quelques indiquer. Pour exemple ici, c'est en fait faire a principal composant analyse sur un de le jours, donc a sous-ensemble de le données tableau. Alors nous changer à le PCA rapport, et ce devient un objet dans ton JMP scénario.
Alors depuis ce objet ici, toi peut obtenir articles. Pour exemple, I courir le PCA et I avoir ce comme un objet, et maintenant I dire, I vouloir le valeurs propres dans là. Le chemin à trouver le objets que toi besoin est à ouvrir le arbre structure, dans ton JMP rapport et tout est numéroté et aligné. Donc toi peut obtenir tout que toi besoin depuis le JMP rapport comme a valeur, comme a matrice, comme un tableau.
Il vraiment dépend sur quoi toi vouloir. Mais toi pourrait voir J'ai fait ce ici. Donc une fois il a tous ces valeurs ici, I extrait le principal composants et I ajuster encore, Y par X le principal composants contre mon Balance ici. A gagner, I changer à rapport. Je suis faire ce donc que I peut obtenir le racine signifier carré erreur depuis que rapport.
C'est parce que c'est le meilleur estimation I volonté avoir pour mon standard déviation. Je suis en utilisant ce standard déviation ici à couverture calculer mon acceptable différence pour mon TOST. I enfin peut en fait courir mon TOST ici. Donc encore, c'est un autre groupe. Et ce temps c'est pieds large par X, mais Je suis demander pour un équivalence test avec Delta comme mon acceptable différence.
Le repos de le scénario volonté parcelle tous le tâches et c'est très ennuyeux. Alors à le fin, il volonté créer a tableau avec tous le sorties et tous le des choses que nous besoin à créer notre bar graphique et finalement nous pourrait aussi créer le bar graphique. Bien courir ce pour ce données ensemble. Juste vérification I avoir le droite un. Là nous aller. Voilà. Je vais cliquez sur il maintenant.
Toi pourrait voir il dans le arrière-plan ici. C'est bouleversant le tables et c'est faire ce douloureusement lentement. Pour chaque jour, il volonté sélectionner le jour, faire a plus petit données tableau, faire a PCA sur tous le variables, et alors I volonté sauvegarder le principal composants, le valeurs propres et le cosinus pour plus loin calculs.
Il volonté utiliser le principal composants pour d'abord faire a test T, parce que c'est où étaient en allant à obtenir notre estimation de le standard déviation et deuxième, faire un équivalence test à vérifier si il passes équivalence. I pense nous sommes sur jour Sept, étaient en allant à obtenir là finalement.
Il volonté aussi parcelle tous notre équivalence tests, et il volonté aussi créer le bar graphique et le nouveau annuaire. Bre avec mon ordinateur. Eh bien, ce est prise plus long que il devrait, vraiment. I espoir c'est en allant à travail. Parfois scripts que sont assez occupé, signifier que c'est dur pour JMP à attraper en haut avec qu'est-ce que événement dans le arrière-plan.
I espoir c'est pas en allant à échouer parce que de que. Non, ici nous aller. C'est maintenant créé a rapport, et pour chaque jour, c'est en allant à mettre chaque TOST dans a colonne de graphiques. I avoir écrit le scénario dans tel a chemin que ils sont tous le même taille et que était suggéré par un de notre scientifiques, en fait, donc ils sont beaucoup Plus facile à comparer.
Ici nous avait données que vraiment nécessaire quelques supplémentaire nettoyage en haut, donc il vient à Non surprendre que tous notre équivalence tests pour le d'abord principe composant sont défaut. C'est parce que le PCA est fait sur variables que sont pas similaire entre groupes. Mais le plus subtil comportement c'est capturé dans a deuxième PC est toujours passage a parcelle de le équivalence essais.
Je vais fermer ce à montrer toi qu'est-ce que a été enregistré dans le annuaire pour ce un. Pour ce, toi avoir individuel sous-ensemble tableau avec leur PCA et sous scénario. Même ouverture a petit tableau comme ce est prise a long temps. Là nous aller. Ici sont le PCA. Voici le chargement parcelle.
Ce est où le valeurs propres viens depuis, et ici le cosinus lequel sont tiré dehors par le scénario. Il a le TOST résultats c'est utilisé pour fabrication le TOST graphiques, mais nous avons déjà vu ceux. Il a a tableau que spectacles toi lequel TOST passé avec a zéro ou a un ici, et le expliqué variance, et le calculs pour le expliqué variance dans le même tableau.
T son colonnes ici est quoi étaient en allant à utiliser à créer notre bar graphique. Le bar graphique obtient enregistré dans le journal dans ce cas. Là sont beaucoup manières toi pourrait faire ce, vraiment. Pour 15 variables et pas le meilleur de nettoyage emplois, allons voir quoi équivalence nous obtenir ici. Il est tous fonctionnement.
C'est juste vraiment lent. Désolé à propos que. Là nous aller. J'ai avait, encore, retour depuis scientifiques adage que ils serait préférer à voir le variables dans le commande ils étaient dans initialement, parce que la plupart de notre données est enregistré dans modèles, donc personnes sont utilisé à vision ceux variables dans commande.
Mais c'est aussi bon à avoir il dans descendant commande donc que toi peut rapidement voir lequel variables sont assez équivalent et lequel ceux sont pas faire donc Bien. Ici sur moyenne, nous avoir 21 % équivalence à travers tous notre variables. C'est pas a très haut nombre. I ne le faites pas avoir a critères pour que nombre, mais I pense autour 60 %- 75 % serait être assez souhaitable.
Je vais fermer tout I peut à faire quelques espace. Bien aller dos à voir quoi ça arrive si nous retirer un offensant variable. I n'ont pas fait assez nettoyage en haut ici, mais Je suis suppression variable 11, lequel était vraiment pas un acceptable variable à avoir dans notre données ensemble.
I volonté courir le tâche avec trois PC ce temps, donc que I peut à moins avoir a tir à capturer le variabilité dans des choses comme pH ou PO2, lequel tendre à être beaucoup plus complexe. Bien courir ce un et Bien avoir a regarder à le bar graphique et voir comment beaucoup équivalence nous peut capturer.
I suspect ce est en allant à être lent encore. Ce est en allant lentement. Étaient seulement sur jour deux, donc I besoin à remplir en haut le temps. Comme I dit, nous ne le faites pas avoir a critère à regarder à ce total nombre. C'est plus de a relatif nombre.
Soit toi avoir a ensemble de critères pour nettoyage en haut ton données, ou peut être parce que toi sont en cours d'exécution lots et enregistrement eux dans similaire manières, toi serait dire, nous volonté toujours seulement regarder à ceux 10 variables, et alors toi peut comparer le dans l'ensemble équivalence ou le bar graphiques pour donné ensembles de variables que sont comparable.
Le autre chemin toi pourrait faire il est en utilisant le même données ensembles comme I avoir aujourd'hui. Je savoir nous avoir 21 % équivalence pour 15 variables, mais une fois nous retirer variables 11 et cinq, pour exemple, et faire le ménage en haut quelques de le valeurs aberrantes, alors que nombre commence en allant en haut, ou il pourrait être nous avoir seulement 21 % avec deux PC, mais si nous ajouter a couple parce que quelques de le variables ne le faites pas carte très Bien à le d'abord deux PC, alors ce nombre aussi est en allant en haut.
C'est très difficile à mettre a critère sur que nombre, mais c'est joli bien pour comparer différent modèles ou différent données ensembles que avoir a été traité raisonnablement de la même manière. Comment sont nous faire ici? Presque là. Je suis très Désolé à propos ce. Mon ordinateur est particulièrement lent aujourd'hui. Ici nous aller.
Ici sont tâches, et ce temps là sont trois PC, donc ils sont aligné par trois. I pense si nous a fait ce plus gros, il serait commencer collage dehors de le fenêtre ici. Parce que nous avoir supprimé un variable déjà, nous pourrait voir que quelques de le tâches sont passage même pour le d'abord PC. Donc c'est certainement fait a très grand différence.
I volonté fermer ceux et aller dos dans le annuaire il était créé. Le chemin J'ai écrit ce, si Je suis faire deux données ensembles dans le même annuaire, c'est en allant à obtenir effacé parce que Sauvegarder Comme dans scénario dans JMP volonté sauvegarder sur haut de existant données si il a le même nom.
Ici était le même données, nous juste supprimé un variable et ajouté un PC, et nous a obtenu depuis 21 % à à propos 47 % sur moyenne à travers le variable équivalence. C'est montrant toi quoi a grand différence il peut faire depuis juste a petit nettoyage étape ou choisir a légèrement différent modèle avec un plus PC dans ce cas.
Maintenant c'est moi. J'ai disparu à travers tous le scénarios. Je vais mettre dos mon très dernier glisser en haut ici à conclure. Ce est a nouveau technique à regarder à équivalence, ce multivarié technique. I n'ont pas vu il utilisé quelque part autre. C'est a complément, pas a remplacement.
Toi devrait toujours, en particulier si tu es fortement impliqué avec le données, toi devrait toujours regarder à tous le temps points que tu es intéressé dans. Il donne a holistique image avec a parcelle de détail parce que toi avoir a parcelle de sortir. Mais si tu es seulement intéressé dans le final information, vraiment que bar graphique, donne toi a parcelle de information dans juste un graphique.
Toi pourrait faire ce avec n'importe lequel types de groupes que toi vouloir à. Ce ça arrive à être Balance parce que nous regarder à le différence entre fabrication et laboratoire Balance a parcelle à Fujifilm. C'est il, vraiment. C'est ton multivarié à un côté Test t. Comme a partie de notre processus couler à regarder à échelle en haut et échelle vers le bas données. Identifiant être heureux à répondre à toutes vos questions.
