Salut, Je suis Chris Gotwalt avec JMP, et Je suis présentation avec Fangyi Luo de Procter & Pari, et son collègue, Béatrice Blum, qui va être adhésion nous pour le dans- personne présentation à le Découverte Conférence dans Espagne.
Aujourd'hui, nous sont parler à propos comment à modèle données depuis conçu expériences quand le réponse est détection limité. Ce est un important sujet parce que sur le un main, détection limites sont très commun, en particulier dans industries que faire a parcelle de chimie, comme le pharmaceutique et consommateur produits industries.
Alors que sur le autre main, le conséquences de ignorant détection limites conduit à sérieusement inexacte conclusions que volonté pas généraliser. Ce conduit à perdu R&D temps et inefficace utiliser de ressources. Le bien nouvelles que nous sont ici à montrer aujourd'hui est que obtenir le analyse droite est trivialement facile si toi sont en utilisant généralisé régression dans JMP Pro et savoir comment à ensemble en haut le détection limites colonne propriété.
Dans ce parler, étaient en allant à donner a bref introduction à capteur données, expliquant quoi il est, quoi il apparence comme dans histogrammes et a bref description de comment toi analyser il a petit peu différemment. Alors Fangyi est en allant à aller dans le analyse de quelques conçu expériences depuis Procter & Pari. Alors Je suis en allant à aller à travers un analyse de a plus grand données ensemble que le un que Fangyi introduit. Alors étaient en allant à envelopper en haut avec a résumé et quelques conclusions.
Quoi sont détection limites? Détection limites sont quand le mesures système est incapable à mesure, à moins de manière fiable, quand le réel valeur est au-dessus de ou ci-dessous a particulier valeur. Si le réel valeur est, dire, au-dessus de un supérieur détection limite, le mesuré valeur volonté être observé comme être à que limite. Pour exemple, si a compteur de vitesse dans a véhicule seulement va à 180 kilomètres un heure, mais toi sont conduite 200 kilomètres un heure, alors le compteur de vitesse volonté juste lire 180 kilomètres un heure.
Dans le graphiques au-dessus de, nous voir un autre exemple. Nous voir cinq histogrammes de le même données. Le vrai ou réel valeurs sont sur ici sur le gauche, et mobile à le droite, nous voir quoi résultats quand toi appliquer un croissant détection limite à ce données.
Quoi ça arrive est nous voir ce caractéristiques regroupement à le détection limite. Quand toi voir ce modèle, c'est a vraiment bien signe que toi peut besoin à pense à propos prise détection limites dans compte dans ton distributionnel ou régression analyse.
Pourquoi devrait nous soins à propos détection limites dans a données analyse? Bien, si toi ne le faites pas prendre ton détection limites dans compte correctement, tu vas fin en haut avec très fortement biaisé résultats, et ce conduit à très pauvre modèle généralisation. Le régression coefficients volonté être chemin désactivé. Vous allez avoir un incorrect réponse surface, lequel conduit à assorti cibles avec le Profileur être chemin désactivé.
I pense le situation est a petit peu moins dire quand maximiser a réponse, mais il y a toujours assez a parcelle de opportunité pour des choses à aller faux. Dans particulier, Sigma, ton variance estimation volonté toujours être chemin désactivé, lequel conduit à beaucoup inférieur pouvoir, toi avoir complètement p- peu fiable valeurs. Le tendance est que variable sélection méthodes volonté fortement sous sélectionner important facteurs . Le réel impact que a facteur a sur ton réponse volonté être de façon spectaculaire discret si toi ne le faites pas prendre le détection limites dans compte.
Le deux tables de paramètre estimations que nous voir ici illustrer ce très bien. Sur le gauche sont le paramètre estimations depuis a détection- limité LogN normal analyse de a régression problème. Sur le c'est vrai, ils sont le résultant paramètre estimations quand nous ignorer le détection limite. Nous voir que le modèle sur le gauche est a parcelle plus riche et que a beaucoup de notre principal effets, interactions, et quadratique termes avoir a été admis dans le modèle.
Alors que sur le droite, quand nous ignorer le détection limite, étaient seulement capable à obtenir un principal effet et c'est quadratique terme compris dans le modèle, et le quadratique terme est fortement surestimé avec a valeur de négatif 11,5 à propos relatif à le valeur dans le approprié analyse où que quadratique terme est égal à juste négatif 3.
Nous voir que étaient vraiment manquant il sur a parcelle de le autre paramètres ici comme Bien. Quand nous prendre a regarder à ce dans le Profileur, ce devient vraiment apparent. O n le gauche, nous avoir le Profileur de le modèle correctement analyser avec le Limite de détection, et nous voir que tous le facteurs sont là, et dans l'ensemble, le réponse surface est joli riche- regarder.
Sur le droite, nous voir que seulement le un facteur, dichlorométhane, a a été compris dans le modèle. T il solution à le problème que toi serait obtenir avec le problème sur le gauche est probable plutôt différent depuis le un que toi serait obtenir sur le droite.
Merci, Chris. Maintenant Je suis en allant à partager avec toi a petit peu arrière-plan sur le expérience de le données mentionné par Chris, le temps à bactérien détection. Le objectif de que expérience était à comprendre hostilité impacts de notre formulation ingrédients ou facteurs sur a liquide consommateur nettoyage formulation.
Le expérience était a micro- hostilité Conception de Expérience avec 36 échantillons, et nous avoir cinq clé formulation facteurs UN, B, C, D, ET. W e avoir deux réponses depuis ce expérience. Ils sont depuis microbien essai. Le d'abord un était le un mentionné par Chris. Il est temps à bactéries détection dans deux jours, et il était mesuré par heure. I f nous sont pas capable à détecter le bactéries dans deux jours, alors temps à bactéries détection est droite censuré à 48 heures. Donc le Limite de détection pour ce point final est 48 heures.
Un autre point final est enregistrer réduction dans mode depuis Micro Susceptibilité Essai. Pour ce point final, quoi nous a fait est que nous ajouter certain montant de moule à le formulation, attendez pour deux semaines, et mesure montant de moule dans le produit après deux semaines. T poule nous calculer le réduction dans enregistrer base temps moule, et ce est le deuxième point final.
Limite de détection pour ce point final est six unité. T son spectacles toi le détaillé données depuis le expérience, le d'abord 15 échantillons. Y ou peut voir le formulation facteurs UN, B, C, D, ET, et ils étaient depuis réponse surface conception. W e avoir deux points d'extrémité, le bactéries détection temps dans heures et le enregistrer réduction dans moule. Le données mis en évidence dans rouge sont droite censuré données.
Nous peut utiliser histogrammes et nuages de points à visualiser notre données comme Bien comme facteur contre censure relation. Comme toi peut voir depuis le histogramme, plus que 50 % de échantillons sont droite censuré à 48 heures. Si un observation est pas censuré, alors la plupart de eux volonté être ci-dessous 15 heures.
O n le droite, nous avoir le dispersion parcelle. Le rouge cercle indique le censuré données points. Toi peut voir que nous avoir censure à tous niveaux de le facteurs sauf pour facteur C. Nous ne le faites pas avoir le censure à plus haut niveau de C, mais nous observer censure à tous niveau de le facteurs.
Dans JMP Pro 16 et plus haut, nous peut spécifier colonne propriétés pour détection limite. W poule toi aller à colonne propriété, toi trouver détection limites, et alors toi peut spécifier le inférieur détection limite et supérieur détection limite. Je f a données indiquer est ci-dessous le inférieur détection limite, que moyens c'est moins censuré à le inférieur détection limite. Si a données indiquer est plus haut que le supérieur détection limite, alors il moyens que c'est droite censuré à le supérieur détection limite.
Pour le bactérien détection temps, nous avoir un supérieur détection limite et c'est 48 heures. W e mettre 48 heures dans le supérieur détection limite boîte. Après nous spécifié détection limite sur le colonne propriété dans JMP, alors nous peut utiliser JMP généralisé régression modélisation à analyser le données par prise dans compte le Limite de détection. Donc ce est a nouveau fonctionnalité dans JMP Pro 16 et plus haut.
Pour ce taper de analyse, nous besoin à d'abord spécifier le distribution pour a réponse et estimation méthode. W e essayer différent distribution pour le données et utiliser le avant sélection méthode, et nous trouvé Normale distribution convient le données le meilleur parce que il a le plus bas AICc.
Nous peut aussi analyser données ignorant le détection limite. Y ou peut voir que nous volonté avoir a beaucoup plus petit modèle avec cinq facteurs gauche dans le final modèle. T il modèle ignorant Limite de détection volonté avoir beaucoup moins pouvoir à détecter significatif facteurs.
Ce a montré toi le facteurs gauche dans le final modèle depuis le généralisé régression modélisation. Si nous prendre dans compte Limite de détection pour le réponse, ou si nous ignorer Limite de détection dans le réponse. Comme toi peut voir, si nous prendre dans compte Limite de détection, alors nous avoir beaucoup plus significatif facteurs dans le modèle. W e peut seulement détecter le effet de C et D et leur quadratique effet dans le modèle si nous ignorer Limite de détection pour notre réponse.
Encore, ce est comparaison de le paramètre estimation depuis le modèle si nous considérer Limite de détection dans le modélisation ou ignorant Limite de détection dans le modélisation. Ignorer Limite de détection dans le modélisation serait donner nous le biais estimation de le paramètre comme Bien.
Ce glisser spectacles toi le prédiction Profileur de le réponse si nous effectuer le modélisation par considérant le Limite de détection contre ignorant le Limite de détection. Si nous considérer le Limite de détection dans le modélisation, alors nous obtenir a modèle avec tous le termes dans le modèle, le principal effets comme Bien comme quelques de le interaction et quadratique termes. T son modèle fait beaucoup plus sens à notre collaborateurs.
Souviens-toi que à inférieur niveau de C et à plus haut niveau de D, nous avoir plus censure données. Que moyens le détection temps est plus long et le prédiction Profileur a montré que à inférieur niveau de C et a plus haut niveau de D, le prédit détection temps est plus long. A aussi parce que nous avoir plus censuré données dans ceux région, donc le confiance intervalle pour le prédiction P profiler est plus large.
Si nous ignorer le Limite de détection dans le analyse, nous obtenir beaucoup moins significatif facteurs. Seulement C et D a montré en haut dans le modèle, et le paramètre estimation est aussi biaisé. Ce un spectacles toi le diagnostique traçage de observé données sur le et- axe contre prédit données sur le x- axe.
Si nous considérer Limite de détection dans le généralisé régression modélisation, il donne correct prédiction. Mais si nous ignorer Limite de détection dans le modélisation, alors il volonté donner incorrect prédiction pour ton données.
Dans ajout à le prédiction Profileur, JMP généralisé régression modélisation serait aussi donner toi deux profileurs similaire à ceux depuis Paramétrique Survie M modélisation plate-forme. Ceux sont le Distribution Profileur et Quantile Profileur. Le distribution profileur volonté donner toi le échec probabilité à a certain combinaison de notre formulation facteurs et a certain détection temps.
Le Quantile Profileur volonté donner toi le quantile de le détection temps à a certain combinaison de notre formulation facteurs et le spécifié échec probabilité. T ces deux profileurs sont disponible dans JMP sous le Généralisé Régression Modélisation.
Mais un avantage de en utilisant R généralisé émersion Modélisation à analyser temps à échec taper de données est que il serait fournir toi le Prédiction Profileur, et ce taper de profileur est beaucoup plus Plus facile pour notre collaborateur à comprendre. I c'est beaucoup Plus fort à expliquer le Distribution Profileur et Quantile Profileur à notre collaborateurs.
Maintenant il vient à le analyse de le deuxième point final, le enregistrer réduction dans moule. Encore, nous peut utiliser histogramme et le nuage de points à visualiser notre données et visualiser le facteur contre censure relation. Comme toi peut voir depuis le gauche histogramme, toi peut voir que nous avoir a parcelle de données que sont droite censuré à six unité.
Nous peut voir censure à tous niveau de notre formulation facteurs, sauf à plus haut niveau de C et inférieur niveau de ET. T son est le région de préoccupation. Nous avoir vu a parcelle de censure à inférieur niveau de C et plus haut niveau de ET. Que moyens à inférieur niveau de C et plus haut niveau de ET, c'est bien pour le produit. Nous avoir plus haut enregistrer moule réduction.
Encore, nous peut utiliser détection limite sur le colonne propriété à spécifier le Limite de détection pour ce point final. W e utilisé supérieur détection limite de six dans ce colonne propriété. N aïe le suivant étape est à analyser ce données en utilisant le R généralisé émersion modélisation par prise dans compte le Limite de détection. W e utiliser LogN normal distribution et avant sélection.
Il est intéressant de noter que nous trouvé que le RS pourquoi est un et ce est très suspect. A aussi, nous voir quelques rouge drapeau. Le AICc avait a grave baisse après étape 17. T il standard erreur de le estimation comme Bien comme le estimation pour le échelle paramètre semble à être extrêmement petit. A aussi, le diagnostique parcelle a montré parfait prédiction depuis le modèle. W e savoir que le modèle a sur-ajustement.
Ce est le Prédiction Profileur, et ils a montré très étroit confiance intervalle pour le prédiction, et nous savait que notre modèle est sur-ajustement. Donc quoi nous a fait pour le modélisation est que nous essayé a plus simple modèle par suppression le quadratique termes depuis le initial réponse surface modèle.
Nous trouvé que LogN normal avec avant sélection modèle convient le données le meilleur parce que il a a le plus bas AICc et BIC. T son temps, le solution chemin apparence plus raisonnable comme Bien comme le standard erreur estimation de notre paramètres et estimation de le échelle paramètre de le LogN normal distribution. T il diagnostique parcelle apparence plus raisonnable maintenant.
Ce est le Prédiction Profileur de le final modèle après nous supprimé le quadratique termes. Ce Prédiction Profileur fait a parcelle plus sens. Rappel que à inférieur niveau de C et à plus haut niveau de ET, nous avoir plus censuré données toi peut voir ici. Que moyens à inférieur niveau de C et plus haut niveau de ET, nous avoir plus haut enregistrer moule réduction.
Il a montré sur le Prédiction Profileur parce que il a plus censuré données dans ce région et le confiance intervalle pour le prédiction est plus large. Nous peut aussi comparer le final modèle Prédiction Profileur si nous ignorer Limite de détection dans le modélisation.
Si nous ignorer Limite de détection dans le modélisation, nous a obtenu moins significatif modèle facteurs comme Bien comme biaisé résultats. Si nous ignorer Limite de détection dans le Généralisé Régression modélisation, alors le deuxième modèle, lequel est incorrect et est en essayant à utiliser le quadratique terme à prédire dans le inférieur niveau de C et plus haut niveau de E. Donc t pleurer à obtenir le prédictif valeur fermer à le Limite de détection, et nous savait que ce résultat est biaisé.
Fangyi a bien montré ici que le incorrect analyse, ignorant le Limite de détection, conduit à quelques sérieusement biaisé résultats. Et que obtenir le analyse droite est facile si toi ensemble en haut le détection limites dans soit le coutume designer ou comme a colonne propriété.
Je suis en allant à aller à travers un plus exemple que a mesures à différent fois, lequel ajoute a petit peu plus complexité à le modèle ensemble en haut, et dans notre cas, requis quelques tableau manipulation à obtenir le données dans le droite format.
Ici est le données tableau de le deuxième BICHE dans essentiellement le formulaire que il initialement est venu à nous. Dans ce données, nous avoir 8 facteurs, A à travers H, et le données a mesures à 1 jour, 2 jours, et 7 jours. Initialement, notre intention était à analyser le 3 jours séparément, mais quand nous ajuster le jour 7 données, le confiance intervalles sur le prédictions étaient énorme.
Il était apparent que là était donc beaucoup censure que nous étaient incapable à ajuster le modèle, et donc nous étaient soit en allant à avoir à viens en haut avec un autre stratégie ou dos loin depuis quelques de notre modélisation objectifs. Quoi nous terminé en haut faire était nous utilisé a empiler opération depuis sous le tables menu donc que le réponses depuis différent jours serait être combiné ensemble dans a célibataire colonne, et nous ajouté jour comme a colonne que nous pourrait utiliser comme a régression terme.
Dans le histogramme de enregistrer réduction, nous voir le caractéristiques regroupement à le détection limite de cinq. Combinaison le données comme ce certainement semble à avoir amélioré le impact de censure sur le conception et avec un peu de chance permet nous à faire plus efficace utiliser de tous le données que nous avoir.
Comme dans le précédent exemples, nous commencer désactivé convenable a complet RSM modèle, mais dans ce cas, parce que nous avoir jour comme a terme, nous ajouter a jour et interagir tous de le RSM termes avec jour dans le Ajuster Modèle Lancement Dialogue avant à apportant en haut le généralisé régression plate-forme. Encore, étaient en allant à utiliser le LogN normal distribution comme notre initial réponse distribution.
Parce que ce est a grand modèle, nous ne peut pas utiliser meilleur sous-ensemble sélection, donc nous utilisé taillé avant sélection comme notre modèle sélection critère. Nous essayer le LogN normal, Gamma, et Normale distributions, et clairement le LogN normal vient dehors comme le meilleur distribution parce que c'est A ICc est 205.3, lequel est plus que 10 moins que le deuxième meilleur distribution, lequel était le Normale, dont A ICc était 257.
Ici, le modèle ajuster apparence vraiment raisonnable avec rien suspect. Le solution chemin standard erreurs, échelle paramètre, et le réel par- prédit parcelles tous regarder joli bien et réaliste. Il y a a petit peu de regroupement vers le bas à le faible fin de le réponses, mais le pensée est que n'était pas exigible à a détection limite, juste a partie de le discrétion de le mesures système à inférieur niveaux de réduction.
Maintenant, si nous répéter ce analyse, ignorant le détection limite, il guides nous vers le normale distribution. Ici nous voir le Profileurs pour le modèle que incorporé le détection limite sur le haut et le modèle que ignoré le détection limite sur le bas.
Comme dans le autre exemples, nous voir que le taille de le effets sont de façon spectaculaire en sourdine quand nous ignorer le détection limite et nous obtenir assez a différent histoire comme il y a a fort relation entre enregistrer réduction dans facteur E quand nous prendre le détection limite dans compte correctement, et que effet est sérieusement en sourdine quand nous ignorer le détection limite.
Si nous comparer le réel par- prédit parcelles pour le deux modèles, le modèle avec le Limite de détection pris à compte correctement est plus serré autour le 45- degré doubler pour le non censuré observations. W e voir que le modèle ignorant le détection limite est juste en général moins précis comme le observations sont plus propagé dehors à travers le 45- degré doubler.
Ceux sont notre deux cas études. Dans résumé, I vouloir à réitérer que détection limites sont très commun dans comique et biologique études. Comme nous avons vu dans notre cas études, ignorant détection limites présente grave modèle biais. T il la plupart important message est que en utilisant le colonne propriété ou paramètre en haut le détection limites dans le coutume designer faire analyser détection- limité données beaucoup Plus facile à obtenir correct.
Là sont quelques pièges à montre dehors pour dans que si toi voir standard erreurs que sont de manière irréaliste petit, ou modèles sont de manière irréaliste précis, toi peut besoin à dos désactivé depuis le quadratique termes ou peut-être même interaction termes.
Nous avons montré comment histogrammes peut être utilisé à identifier quand nous avoir a détection limite situation. C'est utile à voir le censure relation entre différent facteurs, parce que si là sont grand coins de le facteur espace où tous le observations sont manquant, alors nous peut pas être capable à ajuster interactions dans que région de le conception espace.
A gagner, si le modèle apparence aussi bien à être vrai, aller devant et essayer a plus simple modèle, dos désactivé a peu. C'est tous nous avoir pour toi aujourd'hui. I vouloir à remercier toi pour ton attention.
