CIAO, Io sono Chris Gotwalt con JMP, E Io sono presentando con Fangyi Luo Di Procter & Gioco d'azzardo, E suo collega, Beatrice Blum, chi lo farà Essere unirsi noi per IL In- persona presentazione A IL Scoperta Conferenza In Spagna.
Oggi, Noi Sono parlando Di Come A modello dati da progettato esperimenti Quando IL risposta È rilevamento limitato. Questo È UN importante argomento Perché SU IL uno mano, rilevamento limiti Sono molto comune, particolarmente In industrie Quello Fare a quantità Di chimica, Piace IL farmaceutico E consumatore prodotti industrie.
Mentre SU IL altro mano, IL conseguenze Di ignorando rilevamento limiti conduce A seriamente impreciso conclusioni Quello Volere non generalizzare. Questo conduce A perduto Ricerca e sviluppo tempo E inefficiente utilizzo Di risorse. IL Bene notizia Quello Noi Sono Qui A spettacolo Oggi È Quello ottenere IL analisi Giusto È banalmente facile Se Voi Sono usando generalizzato regressione In JMP Pro e Sapere Come A impostato su IL rilevamento limiti colonna proprietà.
In Questo parlare, erano andando A Dare a breve introduzione A sensore dati, spiegando Che cosa Esso È, Che cosa Esso sembra Piace In istogrammi E a breve descrizione Di Come Voi analizzare Esso a poco morso in modo diverso. Poi Fangyi È andando A andare in IL analisi Di Alcuni progettato esperimenti da Procter & Gioco d'azzardo. Poi Io sono andando A andare Attraverso UN analisi Di a più grande dati impostato di IL uno Quello Fangyi introdotto. Poi erano andando A avvolgere su con a riepilogo E Alcuni conclusioni.
Che cosa Sono rilevamento limiti? Rilevamento limiti Sono Quando IL misurazione sistema È incapace A misura, A meno in modo affidabile, Quando IL attuale valore È Sopra O sotto a particolare valore. Se IL attuale valore È, Dire, Sopra UN superiore rilevamento limite, IL misurato valore Volere Essere osservato COME essendo A Quello limite. Per esempio, Se a tachimetro In a veicolo soltanto va A 180 chilometri UN ora, Ma Voi Sono guida 200 chilometri UN ora, Poi IL tachimetro Volere Appena Leggere 180 chilometri UN ora.
In IL grafici Sopra, Noi Vedere un altro esempio. Noi Vedere cinque istogrammi Di IL Stesso dati. IL VERO O attuale valori Sono Sopra Qui SU IL Sinistra, E in movimento A IL Giusto, Noi Vedere Che cosa risultati Quando Voi fare domanda a UN crescente rilevamento limite A Questo dati.
Che cosa succede È Noi Vedere Questo caratteristica raggruppamento A IL rilevamento limite. Quando Voi Vedere Questo modello, suo a Veramente Bene cartello Quello Voi Maggio Bisogno A pensare Di prendendo rilevamento limiti in account In tuo distributivo O regressione analisi.
Perché Dovrebbe Noi cura Di rilevamento limiti In a dati analisi? BENE, Se Voi non Prendere tuo rilevamento limiti in account correttamente, tu sarai FINE su con molto pesantemente prevenuto risultati, E Questo conduce A molto povero modello generalizzazione. IL regressione coefficienti Volere Essere modo spento. Tu lo farai Avere UN non corretto risposta superficie, Quale conduce A abbinato obiettivi con IL Profilatore essendo modo spento.
I pensare IL situazione È a poco morso meno Dire Quando massimizzando a risposta, Ma c'è Ancora abbastanza a quantità Di opportunità per cose A andare sbagliato. In particolare, Sigma, tuo varianza stima Volere Ancora Essere modo spento, Quale conduce A tanto inferiore energia, Voi Avere completamente p- inaffidabile valori. IL tendenza È Quello variabile selezione metodi Volere pesantemente Sotto selezionare importante fattori . IL attuale impatto Quello a fattore ha SU tuo risposta Volere Essere drammaticamente sobrio Se Voi non Prendere IL rilevamento limiti in account.
IL due tavoli Di parametro stime Quello Noi Vedere Qui illustrare Questo molto bene. SU IL Sinistra Sono IL parametro stime da a rilevamento- limitato LogN normale analisi Di a regressione problema. SU IL giusto, loro Sono IL risultante parametro stime Quando Noi ignorare IL rilevamento limite. Noi Vedere Quello IL modello SU IL Sinistra È a quantità più ricco E Quello a un sacco di Nostro principale effetti, interazioni, E quadratico termini Avere stato ammesso in IL modello.
Mentre SU IL Giusto, Quando Noi ignorare IL rilevamento limite, erano soltanto capace A Ottenere uno principale effetto E suo quadratico termine incluso In IL modello, E IL quadratico termine È pesantemente esagerato con a valore Di negativo 11.5 Di parente A IL valore In IL corretto analisi Dove Quello quadratico termine È pari A Appena negativo 3.
Noi Vedere Quello erano Veramente mancante Esso SU a quantità Di IL altro parametri Qui COME BENE. Quando Noi Prendere a Aspetto A Questo In IL Profilatore, Questo diventa Veramente apparente. O n IL Sinistra, Noi Avere IL Profilatore Di IL modello correttamente analizzare con IL Limite di rilevamento, E Noi Vedere Quello Tutto IL fattori Sono Là, E complessivamente, IL risposta superficie È bello ricco- guardare.
SU IL Giusto, Noi Vedere Quello soltanto IL uno fattore, diclorometano, ha stato incluso In IL modello. T Lui soluzione A IL problema Quello Voi volevo Ottenere con IL problema SU IL Sinistra È probabile Piuttosto diverso da IL uno Quello Voi volevo Ottenere SU IL Giusto.
Grazie, Cristo. Ora Io sono andando A condividere con Voi a poco morso sfondo SU IL sperimentare Di IL dati menzionato di Chris, IL tempo A batterico rilevamento. IL obiettivo Di Quello sperimentare era A capire ostilità impatti Di Nostro formulazione ingredienti O fattori SU a liquido consumatore pulizia formulazione.
IL sperimentare era a micro- ostilità Progetto Di Sperimentare con 36 campioni, E Noi Avere cinque chiave formulazione fattori UN, B, C, D, E. W e Avere due risposte da Questo sperimentare. loro sono da microbico test. IL Primo uno era IL uno menzionato di Cristo. Esso È tempo A batteri rilevamento In due giorni, E Esso era misurato di ora. I f Noi Sono non capace A rilevare IL batteri In due giorni, Poi tempo A batteri rilevamento È Giusto censurato A 48 ore. COSÌ IL Limite di rilevamento per Questo punto finale È 48 ore.
Un altro punto finale È tronco d'albero riduzione In modalità da Micro Suscettibilità Test. Per Questo punto finale, Che cosa Noi fatto È Quello Noi aggiungere certo quantità Di muffa A IL formulazione, Aspettare per due settimane, E misura quantità Di muffa In IL prodotto Dopo due settimane. T gallina Noi calcolare IL riduzione In tronco d'albero base tempo muffa, E Questo È IL secondo punto finale.
Limite di rilevamento per Questo punto finale È sei unità. T il suo spettacoli Voi IL dettagliato dati da IL sperimentare, IL Primo 15 campioni. Y O Potere Vedere IL formulazione fattori UN, B, C, D, E, E Essi erano da risposta superficie progetto. W e Avere due punti finali, IL batteri rilevamento tempo In ore E IL tronco d'albero riduzione In muffa. IL dati evidenziato In rosso Sono Giusto censurato dati.
Noi Potere utilizzo istogrammi E diagrammi di dispersione A visualizzare Nostro dati COME BENE COME fattore contro censura relazione. COME Voi Potere Vedere da IL istogramma, Di più di 50 % Di campioni Sono Giusto censurato A 48 ore. Se UN osservazione È non censurato, Poi maggior parte Di loro Volere Essere sotto 15 ore.
O n IL Giusto, Noi Avere IL spargere complotto. IL rosso cerchio indica IL censurato dati punti. Voi Potere Vedere Quello Noi Avere censura A Tutto livelli Di IL fattori tranne per fattore C. Noi non Avere IL censura A più alto livello Di C, Ma Noi osservare censura A Tutto livello Di IL fattori.
In JMP Professionista 16 E più alto, Noi Potere specificare colonna proprietà per rilevamento limite. W gallina Voi andare A colonna proprietà, Voi Trovare rilevamento limiti, E Poi Voi Potere specificare IL inferiore rilevamento limite E superiore rilevamento limite. Io f a dati punto È sotto IL inferiore rilevamento limite, Quello significa suo meno censurato A IL inferiore rilevamento limite. Se a dati punto È più alto di IL superiore rilevamento limite, Poi Esso significa Quello suo Giusto censurato A IL superiore rilevamento limite.
Per IL batterico rilevamento tempo, Noi Avere UN superiore rilevamento limite E suo 48 ore. W e Mettere 48 ore In IL superiore rilevamento limite scatola. Dopo Noi specificato rilevamento limite SU IL colonna proprietà In JMP, Poi Noi Potere utilizzo JMP generalizzato regressione modellazione A analizzare IL dati di prendendo in account IL Limite di rilevamento. COSÌ Questo È a nuovo caratteristica In JMP Professionista 16 E più alto.
Per Questo tipo Di analisi, Noi Bisogno A Primo specificare IL distribuzione per a risposta E stima metodo. W e Tentativo diverso distribuzione per IL dati E utilizzo IL inoltrare selezione metodo, E Noi trovato Normale distribuzione si adatta IL dati IL migliore Perché Esso ha più basso AICc.
Noi Potere Anche analizzare dati ignorando IL rilevamento limite. Y O Potere Vedere Quello Noi Volere Avere a tanto più piccolo modello con cinque fattori Sinistra In IL finale modello. T Lui modello ignorando Limite di rilevamento Volere Avere tanto meno energia A rilevare significativo fattori.
Questo ha mostrato Voi IL fattori Sinistra In IL finale modello da IL generalizzato regressione modellazione. Se Noi Prendere in account Limite di rilevamento per IL risposta, O Se Noi ignorare Limite di rilevamento In IL risposta. COME Voi Potere Vedere, Se Noi Prendere in account Limite di rilevamento, Poi Noi Avere tanto Di più significativo fattori In IL modello. W e Potere soltanto rilevare IL effetto Di C E D E loro quadratico effetto In IL modello Se Noi ignorare Limite di rilevamento per Nostro risposta.
Ancora, Questo È confronto Di IL parametro stima da IL modello Se Noi considerare Limite di rilevamento In IL modellazione O ignorando Limite di rilevamento In IL modellazione. Ignorando Limite di rilevamento In IL modellazione volevo Dare noi IL pregiudizio stima Di IL parametro COME BENE.
Questo diapositiva spettacoli Voi IL previsione Profilatore Di IL risposta Se Noi eseguire IL modellazione di considerando IL Limite di rilevamento contro ignorando IL Limite di rilevamento. Se Noi considerare IL Limite di rilevamento In IL modellazione, Poi Noi Ottenere a modello con Tutto IL termini In IL modello, IL principale effetti COME BENE COME Alcuni Di IL interazione E quadratico termini. T il suo modello fa tanto Di più senso A Nostro collaboratori.
Ricordare Quello A inferiore livello Di C E A più alto livello Di D, Noi Avere Di più censura dati. Quello significa IL rilevamento tempo È più lungo E IL previsione Profilatore ha mostrato Quello A inferiore livello Di C E a più alto livello Di D, IL previsto rilevamento tempo È più a lungo. A anche Perché Noi Avere Di più censurato dati In quelli regione, COSÌ IL fiducia intervallo per IL previsione P profilatore È più ampio.
Se Noi ignorare IL Limite di rilevamento In IL analisi, Noi Ottenere tanto meno significativo fattori. Soltanto C E D ha mostrato su In IL modello, E IL parametro stima È Anche prevenuto. Questo uno spettacoli Voi IL diagnostic tramando Di osservato dati SU IL E- asse contro previsto dati SU IL X- asse.
Se Noi considerare Limite di rilevamento In IL generalizzato regressione modellazione, Esso dà corretto previsione. Ma Se Noi ignorare Limite di rilevamento In IL modellazione, Poi Esso Volere Dare non corretto previsione per tuo dati.
In aggiunta A IL previsione Profilatore, JMP generalizzato regressione modellazione volevo Anche Dare Voi due profiler simile A quelli da Parametrico Sopravvivenza M modellazione piattaforma. Quelli Sono IL Distribuzione Profilatore E Quantile Profilatore. IL distribuzione profiler Volere Dare Voi IL fallimento probabilità A a certo combinazione Di Nostro formulazione fattori E a certo rilevamento tempo.
IL Quantile Profilatore Volere Dare Voi IL quantile Di IL rilevamento tempo A a certo combinazione Di Nostro formulazione fattori E IL specificato fallimento probabilità. T questi due profiler Sono disponibile In JMP Sotto IL Generalizzato Regressione Modellazione.
Ma uno vantaggio Di usando R generalizzato egression Modellazione A analizzare tempo A fallimento tipo Di dati È Quello Esso volevo fornire Voi IL Previsione Profilatore, E Questo tipo Di profiler È tanto Di più Più facile per Nostro collaboratore A capire. I è tanto Più forte A spiegare IL Distribuzione Profilatore E Quantile Profilatore A Nostro collaboratori.
Ora Esso viene A IL analisi Di IL secondo punto finale, IL tronco d'albero riduzione In muffa. Ancora, Noi Potere utilizzo istogramma E IL diagramma di dispersione A visualizzare Nostro dati E visualizzare IL fattore contro censura relazione. COME Voi Potere Vedere da IL Sinistra istogramma, Voi Potere Vedere Quello Noi Avere a quantità Di dati Quello Sono Giusto censurato A sei unità.
Noi Potere Vedere censura A Tutto livello Di Nostro formulazione fattori, tranne A più alto livello Di C E inferiore livello Di E. T il suo È IL regione Di preoccupazione. Noi Avere visto a quantità Di censura A inferiore livello Di C E più alto livello Di E. Quello significa A inferiore livello Di C E più alto livello Di E, suo Bene per IL prodotto. Noi Avere più alto tronco d'albero muffa riduzione.
Ancora, Noi Potere utilizzo rilevamento limite SU IL colonna proprietà A specificare IL Limite di rilevamento per Questo punto finale. W e usato superiore rilevamento limite Di sei In Questo colonna proprietà. N ora IL Prossimo fare un passo È A analizzare Questo dati usando IL R generalizzato egression modellazione di prendendo in account IL Limite di rilevamento. W e utilizzo LogN normale distribuzione E inoltrare selezione.
È interessante notare che Noi trovato Quello IL RS Perché È uno E Questo È molto sospetto. A anche, Noi Vedere Alcuni rosso bandiera. IL AICc avevo a acuto gocciolare Dopo fare un passo 17. T Lui standard errore Di IL stima COME BENE COME IL stima per IL scala parametro sembra A Essere estremamente piccolo. A anche, IL diagnostic complotto ha mostrato perfetto previsione da IL modello. W e Sapere Quello IL modello ha sovradimensionato.
Questo È IL Previsione Profilatore, E Essi ha mostrato molto stretto fiducia intervallo per IL previsione, E Noi sapevo Quello Nostro modello È sovradimensionato. COSÌ Che cosa Noi fatto per IL modellazione È Quello Noi provato a più semplice modello di rimozione IL quadratico termini da IL iniziale risposta superficie modello.
Noi trovato Quello LogN normale con inoltrare selezione modello si adatta IL dati IL migliore Perché Esso ha a più basso AICc E BIC. T il suo tempo, IL soluzione sentiero sembra Di più ragionevole COME BENE COME IL standard errore stima Di Nostro parametri E stima Di IL scala parametro Di IL LogN normale distribuzione. T Lui diagnostic complotto sembra Di più ragionevole Ora.
Questo È IL Previsione Profilatore Di IL finale modello Dopo Noi RIMOSSO IL quadratico termini. Questo Previsione Profilatore fa a quantità Di più senso. Richiamo Quello A inferiore livello Di C E A più alto livello Di E, Noi Avere Di più censurato dati Voi Potere Vedere Qui. Quello significa A inferiore livello Di C E più alto livello Di E, Noi Avere più alto tronco d'albero muffa riduzione.
Esso ha mostrato SU IL Previsione Profilatore Perché Esso ha Di più censurato dati In Questo regione E IL fiducia intervallo per IL previsione È più ampio. Noi Potere Anche confrontare IL finale modello Previsione Profilatore Se Noi ignorare Limite di rilevamento In IL modellazione.
Se Noi ignorare Limite di rilevamento In IL modellazione, Noi avuto meno significativo modello fattori COME BENE COME prevenuto risultati. Se Noi ignorare Limite di rilevamento In IL Generalizzato Regressione modellazione, Poi IL secondo modello, Quale È non corretto E È provando A utilizzo IL quadratico termine A predire In IL inferiore livello Di C E più alto livello Di E. Quindi t seccatura A Ottenere IL predittivo valore vicino A IL Limite di rilevamento, E Noi sapevo Quello Questo risultato È prevenuto.
Fangyi sì bene mostrato Qui Quello IL non corretto analisi, ignorando IL Limite di rilevamento, conduce A Alcuni seriamente prevenuto risultati. E Quello ottenere IL analisi Giusto È facile Se Voi impostato su IL rilevamento limiti In O IL costume designer O COME a colonna proprietà.
Io sono andando A andare Attraverso uno Di più esempio Quello ha misurazioni A diverso volte, Quale aggiunge a poco morso Di più complessità A IL modello impostato su, E In Nostro caso, necessario Alcuni tavolo manipolazione A Ottenere IL dati In IL Giusto formato.
Qui È IL dati tavolo Di IL secondo Dipartimento dell'Energia In fondamentalmente IL modulo Quello Esso originariamente venni A noi. In Questo dati, Noi Avere 8 fattori, A Attraverso H, E IL dati ha misurazioni alle 1 giorno, 2 giorni, E 7 giorni. Originariamente, Nostro intento era A analizzare IL 3 giorni separatamente, Ma Quando Noi adatto IL giorno 7 dati, IL fiducia intervalli SU IL previsioni erano Enorme.
Esso era apparente Quello Là era COSÌ tanto censura Quello Noi erano incapace A adatto IL modello, E COSÌ Noi erano O andando A Avere A Venire su con un altro strategia O Indietro lontano da Alcuni Di Nostro modellazione obiettivi. Che cosa Noi finito su facendo era Noi usato a pila operazione da Sotto IL tavoli menu COSÌ Quello IL risposte da diverso giorni volevo Essere combinato insieme in a separare colonna, E Noi aggiunto giorno COME a colonna Quello Noi Potevo utilizzo COME a regressione termine.
In IL istogramma Di tronco d'albero riduzione, Noi Vedere IL caratteristica raggruppamento A IL rilevamento limite Di cinque. Combinando IL dati Piace Questo certamente sembra A Avere migliorato IL impatto Di censura SU IL progetto E fiduciosamente consente noi A Fare Di più efficace utilizzo Di Tutto IL dati Quello Noi Avere.
COME In IL precedente esempi, Noi inizio spento montaggio a pieno RSM modello, Ma In Questo caso, Perché Noi Avere giorno COME a termine, Noi aggiungere a giorno E interagire Tutto Di IL RSM termini con giorno In IL Adatto Modello Lancio Dialogo precedente A portando su IL generalizzato regressione piattaforma. Ancora, erano andando A utilizzo IL LogN normale distribuzione COME Nostro iniziale risposta distribuzione.
Perché Questo È a grande modello, Noi non posso utilizzo migliore sottoinsieme selezione, COSÌ Noi usato potato inoltrare selezione COME Nostro modello selezione criterio. Noi Tentativo IL LogN normale, Gamma, E Normale distribuzioni, E chiaramente IL LogN normale viene fuori COME IL migliore distribuzione Perché suo A ICc È 205.3, Quale È Di più di 10 meno di IL secondo migliore distribuzione, Quale era IL Normale, di chi A ICc era 257.
Qui, IL modello adatto sembra Veramente ragionevole con Niente sospetto. IL soluzione sentiero standard errori, scala parametro, E IL attuale di- previsto trame Tutto Aspetto bello Bene E realistico. C'è a poco morso Di raggruppamento giù A IL Basso FINE Di IL risposte, Ma IL pensiero È Quello non era dovuto A a rilevamento limite, Appena a parte Di IL discrezione Di IL misurazione sistema A inferiore livelli Di riduzione.
Ora, Se Noi ripetere Questo analisi, ignorando IL rilevamento limite, Esso guide noi in direzione IL normale distribuzione. Qui Noi Vedere IL Profilatori per IL modello Quello incorporato IL rilevamento limite SU IL superiore E IL modello Quello ignorato IL rilevamento limite SU IL metter il fondo a.
COME In IL altro esempi, Noi Vedere Quello IL misurare Di IL effetti Sono drammaticamente disattivato Quando Noi ignorare IL rilevamento limite E Noi Ottenere abbastanza a diverso storia COME c'è a forte relazione fra tronco d'albero riduzione In fattore E Quando Noi Prendere IL rilevamento limite in account correttamente, E Quello effetto È seriamente disattivato Quando Noi ignorare IL rilevamento limite.
Se Noi confrontare IL attuale di- previsto trame per IL due modelli, IL modello con IL Limite di rilevamento preso A account correttamente È più stretto in giro IL 45- grado linea per IL senza censure osservazioni. W e Vedere Quello IL modello ignorando IL rilevamento limite È Appena generalmente meno accurato COME IL osservazioni Sono Di più diffusione fuori attraverso IL 45- grado linea.
Quelli Sono Nostro due caso studi. In riepilogo, I Volere A ribadire Quello rilevamento limiti Sono molto comune In comico E biologico studi. COME noi abbiamo visto In Nostro caso studi, ignorando rilevamento limiti introduce acuto modello pregiudizi. T Lui maggior parte importante messaggio È Quello usando IL colonna proprietà O collocamento su IL rilevamento limiti In IL costume designer Fare analizzare rilevamento- limitato dati tanto Più facile A Ottenere corretto.
Là Sono Alcuni insidie A orologio fuori per In Quello Se Voi Vedere standard errori Quello Sono irrealisticamente piccolo, O modelli Sono irrealisticamente accurato, Voi Maggio Bisogno A Indietro spento da IL quadratico termini O possibilmente Anche interazione termini.
Noi abbiamo mostrato Come istogrammi Potere Essere usato A identificare Quando Noi Avere a rilevamento limite situazione. Suo utile A Vedere IL censura relazione fra diverso fattori, Perché Se Là Sono grande angoli Di IL fattore spazio Dove Tutto IL osservazioni Sono mancante, Poi Noi Maggio non Essere capace A adatto interazioni In Quello regione Di IL progetto spazio.
A guadagno, Se IL modello sembra pure Bene A Essere VERO, andare avanti E Tentativo a più semplice modello, Indietro spento a morso. Questo è Tutto Noi Avere per Voi Oggi. I Volere A Grazie Voi per tuo Attenzione.
