こんにちは、 私は クリス ゴットウォルト と JMP、 そして 私は 発表する と 方宜 羅 の プロクター & ギャンブル、 そして 彼女 同僚、 ベアトリス ブルーム、 誰が なれ 接合 私たち のために その で- 人 プレゼンテーション で その 発見 会議 で スペイン。
今日、 私たちは は 話している について どうやって に モデル データ から 設計された 実験 いつ その 応答 は 検出 限定。 これ は 一つの 重要 トピック なぜなら の上 その 1つ 手、 検出 限界 は とても 一般、 特に で 産業 それ する a 多く の 化学、 のように その 医薬品 そして 消費者 製品 産業。
その間 の上 その 他の 手、 その 結果 の 無視する 検出 限界 リード に 真剣に 不正確 結論 それ 意思 ない 一般化する。 これ リード に 失った 研究開発 時間 そして 非効率的 使用 の リソース。 その 良い ニュース それ 私たちは は ここ に 見せる 今日 は それ 取得 その 分析 右 は 些細なことに 簡単 もし あなた は 使用して 一般化された 回帰 で ジャンプ プロと 知る どうやって に セット 上 その 検出 限界 カラム 財産。
で これ 話す、 だった 行く に 与える a 簡単な 導入 に センサー データ、 説明 何 それ は、 何 それ 見た目 のように で ヒストグラム そして a 簡単な 説明 の どうやって あなた 分析する それ a 少し 少し 異なって。 それから 方宜 は 行く に 行く の中へ その 分析 の いくつかの 設計された 実験 から プロクター & ギャンブル。 それから 私は 行く に 行く を通して 一つの 分析 の a 大きい データ セット よりも その 1つ それ 方宜 紹介された。 それから だった 行く に 包む 上 と a まとめ そして いくつかの 結論。
何 は 検出 制限はありますか？ 検出 限界 は いつ その 測定 システム は できない に 測定、 で 少しでも 確実に、 いつ その 実際の 価値 は その上 または 下に a 特定の 価値。 もし その 実際の 価値 は、 言う、 その上 一つの アッパー 検出 制限、 その 測定された 価値 意思 なれ 観察された として いる で それ 制限。 のために 例、 もし a スピードメーター で a 車両 のみ 行く に 180 キロメートル 一つの 時間、 しかし あなた は 運転 200キロメートル 一つの 時間、 それから その スピードメーター 意思 ただ 読む 180 キロメートル 一つの 時間。
で その グラフ その上、 私たちは 見る 別の 例。 私たちは 見る 五 ヒストグラム の その 同じ データ。 その 真実 または 実際の 価値観 は 以上 ここ の上 その 左、 そして 動く に その 右、 私たちは 見る 何 結果 いつ あなた 適用する 一つの 増加 検出 制限 に これ データ。
何 起こる は 私たちは 見る これ 特性 束ねる で その 検出 制限。 いつ あなた 見る これ パターン、 その a 本当に 良い サイン それ あなた 5月 必要 に 考える について 服用 検出 限界 の中へ アカウント で あなたの 分配的 または 回帰 分析。
なぜ すべき 私たちは ケア について 検出 限界 で a データ 分析？ 良い、 もし あなた しない 取る あなたの 検出 限界 の中へ アカウント きちんと、 あなたは 終わり 上 と とても 重く 偏見のある 結果、 そして これ リード に とても 貧しい モデル 一般化。 その 回帰 係数 意思 なれ 方法 オフ。 あなたは 持っている 一つの 正しくない 応答 表面、 どれの リード に 一致した ターゲット と その プロファイラー いる 方法 オフ。
I 考える その 状況 は a 少し 少し 少ない 言う いつ 最大化 a 応答、 しかし そこには まだ とても a 多く の 機会 のために もの に 行く 間違っている。 で 特定の、 シグマ、 あなたの 分散 見積もり 意思 まだ なれ 方法 オフ、 どれの リード に 多くの より低い 力、 あなた 持っている 完全に 信頼できないp- 価値観。 その 傾向 は それ 変数 選択 方法 意思 重く 下 選択 重要 要因 . その 実際の インパクト それ a 要素 もっている の上 あなたの 応答 意思 なれ 劇的に 控えめな もし あなた しない 取る その 検出 限界 の中へ アカウント。
その 二 テーブル の パラメータ 推定値 それ 私たちは 見る ここ 説明する これ とても うまく。 の上 その 左 は その パラメータ 推定値 から a 検出- 限定 ログN 通常の 分析 の a 回帰 問題。 の上 その そうです、彼らは は その 結果として パラメータ 推定値 いつ 私たちは 無視する その 検出 制限。 私たちは 見る それ その モデル の上 その 左 は a 多く より豊かに そして それ a たくさんの 私たちの 主要 効果、 相互作用、 そして 二次関数 条項 持っている された 入院 の中へ その モデル。
一方 の上 その 右、 いつ 私たちは 無視する その 検出 制限、 だった のみ できる に 得る 1つ 主要 効果 そして その 二次関数 学期 含まれる で その モデル、 そして その 二次関数 学期 は 重く 誇張された と a 価値 の ネガティブ 11.5 について 相対的 に その 価値 で その ちゃんとした 分析 どこ それ 二次関数 学期 は 等しい に ただ ネガティブ 3.
私たちは 見る それ だった 本当に ない それ の上 a 多く の その 他の パラメータ ここ として 良い。 いつ 私たちは 取る a 見て で これ で その プロファイラー、 これ なる 本当に 明らかです。 O n その 左、 私たちは 持っている その プロファイラー の その モデル 正しく 分析する と その 検出限界、 そして 私たちは 見る それ 全て その 要因 は そこには、 そして 全体、 その 応答 表面 は かわいい リッチ- 見ています。
の上 その 右、 私たちは 見る それ のみ その 1つ 要素、 ジクロロメタン、 もっている された 含まれる で その モデル。 T 彼 解決 に その 問題 それ あなた だろう 得る と その 問題 の上 その 左 は おそらく それよりも 違う から その 1つ それ あなた だろう 得る の上 その 右。
ありがとう、 クリス。 今 私は 行く に 共有 と あなた a 少し 少し 背景 の上 その 実験 の その データ 言及された による クリス、 その 時間 に 細菌性 検出。 その 客観的 の それ 実験 だった に 理解する 敵意 影響 の 私たちの 処方 材料 または 要因 の上 a 液体 消費者 クリーニング 定式化。
その 実験 だった a マイクロ 敵意 デザイン の 実験 と 36 サンプル、 そして 私たちは 持っている 五 鍵 処方 要因 あ、 B、 C、 D、 そして。 W e 持っている 二 回答 から これ 実験。 彼らは から 微生物 テスト。 その 初め 1つ だった その 1つ 言及された による クリス。 それ は 時間 に 細菌 検出 で 二 日、 そして それ だった 測定された による 時間。 I f 私たちは は ない できる に 検出する その 細菌 で 二 日、 それから 時間 に 細菌 検出 は 右 検閲済み で 48 時間。 それで その 検出限界 のために これ 終点 は 48 時間。
別の 終点 は ログ 削減 で モード から マイクロ 感受性 テスト中。 のために これ 終点、 何 私たちは した は それ 私たちは 追加 ある 額 の 型 に その 処方、 待って のために 二 数週間、 そして 測定 額 の 型 で その 製品 後 二 数週間。 T めんどり 私たちは 計算する その 削減 で ログ ベース 時間 型、 そして これ は その 2番 終点。
検出限界 のために これ 終点 は 六 ユニット。 T 彼の ショー あなた その 詳細な データ から その 実験、 その 初め 15 サンプル。 Y または できる 見る その 処方 要因 あ、 B、 C、 D、 そして、 そして 彼らは だった から 応答 表面 デザイン。 W e 持っている 二 エンドポイント、 その 細菌 検出 時間 で 時間 そして その ログ 削減 で 型。 その データ 強調表示 で 赤 は 右 検閲済み データ。
私たちは できる 使用 ヒストグラム そして 散布図 に 視覚化する 私たちの データ として 良い として 要素 対 検閲 関係。 として あなた できる 見る から その ヒストグラム、 もっと よりも 50 % の サンプル は 右 検閲済み で 48 時間。 もし 一つの 観察 は ない 検閲された、 それから ほとんど の 彼ら 意思 なれ 下に 15 時間。
O n その 右、 私たちは 持っている その 散らばる プロット。 その 赤 丸 示す その 検閲済み データ ポイント。 あなた できる 見る それ 私たちは 持っている 検閲 で 全て レベル の その 要因 を除外する のために 要素 C. 私たちは しない 持っている その 検閲 で より高い レベル の C、 しかし 私たちは 観察する 検閲 で 全て レベル の その 要因。
で ジャンプ プロ 16 そして より高い、 私たちは できる 特定 カラム プロパティ のために 検出 制限。 W めんどり あなた 行く に カラム 財産、 あなた 探す 検出 限界、 そして それから あなた できる 特定 その より低い 検出 制限 そして アッパー 検出 限界。私 f a データ ポイント は 下に その より低い 検出 制限、 それ 手段 その 少ない 検閲済み で その より低い 検出 制限。 もし a データ ポイント は より高い よりも その アッパー 検出 制限、 それから それ 手段 それ その 右 検閲済み で その アッパー 検出 制限。
のために その 細菌性 検出 時間、 私たちは 持っている 一つの アッパー 検出 制限 そして その 48 時間。 W e 置く 48 時間 で その アッパー 検出 制限 箱。 後 私たちは 指定された 検出 制限 の上 その カラム 財産 で JMP、 それから 私たちは できる 使用 ジャンプ 一般化された 回帰 モデリング に 分析する その データ による 服用 の中へ アカウント その 検出限界。 それで これ は a 新しい 特徴 で ジャンプ プロ 16 そして より高い。
のために これ タイプ の 分析、 私たちは 必要 に 初め 特定 その 分布 のために a 応答 そして 推定 方法。 W e 試す 違う 分布 のために その データ そして 使用 その フォワード 選択 方法、 そして 私たちは 見つかった 普通 分布 フィット その データ その 最高 なぜなら それ もっている 最低 AICc.
私たちは できる また 分析する データ 無視する その 検出 制限。 Y または できる 見る それ 私たちは 意思 持っている a 多くの 小さい モデル と 五 要因 左 で その ファイナル モデル。 T 彼 モデル 無視する 検出限界 意思 持っている 多くの 少ない 力 に 検出する 重要な 要因。
これ 示した あなた その 要因 左 で その ファイナル モデル から その 一般化された 回帰 モデリング。 もし 私たちは 取る の中へ アカウント 検出限界 のために その 応答、 または もし 私たちは 無視する 検出限界 で その 応答。 として あなた できる 見る、 もし 私たちは 取る の中へ アカウント 検出限界、 それから 私たちは 持っている 多くの もっと 重要な 要因 で その モデル。 W e できる のみ 検出する その 効果 の C そして D そして 彼らの 二次関数 効果 で その モデル もし 私たちは 無視する 検出限界 のために 私たちの 応答。
また、 これ は 比較 の その パラメータ 見積もり から その モデル もし 私たちは 考慮する 検出限界 で その モデリング または 無視する 検出限界 で その モデリング。 無視する 検出限界 で その モデリング だろう 与える 私たち その バイアス 見積もり の その パラメータ として 良い。
これ スライド ショー あなた その 予測 プロファイラー の その 応答 もし 私たちは 実行する その モデリング による 考慮して その 検出限界 対 無視する その 検出限界。 もし 私たちは 考慮する その 検出限界 で その モデリング、 それから 私たちは 得る a モデル と 全て その 条項 で その モデル、 その 主要 効果 として 良い として いくつかの の その 交流 そして 二次関数 条項。 T 彼の モデル 作る 多くの もっと センス に 私たちの 協力者。
覚えて それ で より低い レベル の C そして で より高い レベル の D、 私たちは 持っている もっと 検閲 データ。 それ 手段 その 検出 時間 は より長い そして その 予測 プロファイラー 示した それ で より低い レベル の C そして a より高い レベル の D、 その 予測された 検出 時間 は もっと長く。 A また なぜなら 私たちは 持っている もっと 検閲済み データ で それらの 地域、 それで その 自信 間隔 のために その 予測 P ロファイラー は より広く。
もし 私たちは 無視する その 検出限界 で その 分析、 私たちは 得る 多くの 少ない 重要な 要因。 のみ C そして D 示した 上 で その モデル、 そして その パラメータ 見積もり は また 偏見がある。 これ 1つ ショー あなた その 診断 プロット の 観察された データ の上 その そして- 軸 対 予測された データ の上 その x- 軸。
もし 私たちは 考慮する 検出限界 で その 一般化された 回帰 モデリング、 それ 与える 正しい 予測。 しかし もし 私たちは 無視する 検出限界 で その モデリング、 それから それ 意思 与える 正しくない 予測 のために あなたの データ。
で 追加 に その 予測 プロファイラー、 ジャンプ 一般化された 回帰 モデリング だろう また 与える あなた 二 プロファイラー 似ている に それらの から パラメトリック サバイバルM オーデリング プラットフォーム。 それらの は その 分布 プロファイラー そして 四分位数 プロファイラー。 その 分布 プロファイラー 意思 与える あなた その 失敗 確率 で a ある 組み合わせ の 私たちの 処方 要因 そして a ある 検出 時間。
その 四分位数 プロファイラー 意思 与える あなた その 四分位数 の その 検出 時間 で a ある 組み合わせ の 私たちの 処方 要因 そして その 指定された 失敗 確率。 T ヘセズ 二 プロファイラー は 利用可能 で ジャンプ 下 その 一般化された 回帰 モデリング。
しかし 1つ アドバンテージ の 使用して 一般化R 退出 モデリング に 分析する 時間 に 失敗 タイプ の データ は それ それ だろう 提供する あなた その 予測 プロファイラー、 そして これ タイプ の プロファイラー は 多くの もっと より簡単に のために 私たちの 協力者 に 理解する。 I tの 多くの もっと強く に 説明する その 分布 プロファイラー そして 四分位数 プロファイラー に 私たちの 協力者。
今 それ 来る に その 分析 の その 2番 終点、 その ログ 削減 で 型。 また、 私たちは できる 使用 ヒストグラム そして その 散布図 に 視覚化する 私たちの データ そして 視覚化する その 要素 対 検閲 関係。 として あなた できる 見る から その 左 ヒストグラム、 あなた できる 見る それ 私たちは 持っている a 多く の データ それ は 右 検閲済み で 六 ユニット。
私たちは できる 見る 検閲 で 全て レベル の 私たちの 処方 要因、 を除外する で より高い レベル の C そして より低い レベル の そして。 T 彼の は その 地域 の 懸念。 私たちは 持っている 見た a 多く の 検閲 で より低い レベル の C そして より高い レベル の そして。 それ 手段 で より低い レベル の C そして より高い レベル の そして、 その 良い のために その 製品。 私たちは 持っている より高い ログ 型 削減。
また、 私たちは できる 使用 検出 制限 の上 その カラム 財産 に 特定 その 検出限界 のために これ 終点。 W e 使用済み アッパー 検出 制限 の 六 で これ カラム 財産。 N 痛い その 次 ステップ は に 分析する これ データ 使用して その 一般化R 退出 モデリング による 服用 の中へ アカウント その 検出限界。 W e 使用 ログN 通常の 分布 そして フォワード 選択。
興味深いことに、 私たちは 見つかった それ その RS なぜ は 1つ そして これ は とても 疑わしい。 A また、 私たちは 見る いくつかの 赤 フラグ。 その AICc 持っていた a 厳しい 落とす 後 ステップ 17. T 彼 標準 エラー の その 見積もり として 良い として その 見積もり のために その 規模 パラメータ 思われる に なれ 非常に 小さい。 A また、 その 診断 プロット 示した 完璧 予測 から その モデル。 W e 知る それ その モデル もっている 過剰適合。
これ は その 予測 プロファイラー、 そして 彼らは 示した とても 狭い 自信 間隔 のために その 予測、 そして 私たちは 知っていた それ 私たちの モデル は 過剰適合。 それで 何 私たちは した のために その モデリング は それ 私たちは 試した a よりシンプルに モデル による 削除する その 二次関数 条項 から その イニシャル 応答 表面 モデル。
私たちは 見つかった それ ログN 通常の と フォワード 選択 モデル フィット その データ その 最高 なぜなら それ もっている a 最低 AICc そして ビック。 T 彼の 時間、 その 解決 パス 見た目 もっと 合理的 として 良い として その 標準 エラー 見積もり の 私たちの パラメータ そして 見積もり の その 規模 パラメータ の その ログN 通常の 分布。 T 彼 診断 プロット 見た目 もっと 合理的 今。
これ は その 予測 プロファイラー の その ファイナル モデル 後 私たちは 削除された その 二次関数 条項。 これ 予測 プロファイラー 作る a 多く もっと センス。 想起 それ で より低い レベル の C そして で より高い レベル の そして、 私たちは 持っている もっと 検閲済み データ あなた できる 見る ここ。 それ 手段 で より低い レベル の C そして より高い レベル の そして、 私たちは 持っている より高い ログ 型 削減。
それ 示した の上 その 予測 プロファイラー なぜなら それ もっている もっと 検閲済み データ で これ 地域 そして その 自信 間隔 のために その 予測 は より広く。 私たちは できる また 比較する その ファイナル モデル 予測 プロファイラー もし 私たちは 無視する 検出限界 で その モデリング。
もし 私たちは 無視する 検出限界 で その モデリング、 私たちは 得た 少ない 重要な モデル 要因 として 良い として 偏見のある 結果。 もし 私たちは 無視する 検出限界 で その 一般化された 回帰 モデリング、 それから その 2番 モデル、 どれの は 正しくない そして は 試して に 使用 その 二次関数 学期 に 予測する で その より低い レベル の C そして より高い レベル の E. だから ライイング に 得る その 予測的な 価値 近い に その 検出限界、 そして 私たちは 知っていた それ これ 結果 は 偏見がある。
方宜は うまく 表示されている ここ それ その 正しくない 分析、 無視する その 検出限界、 リード に いくつかの 真剣に 偏見のある 結果。 そして それ 取得 その 分析 右 は 簡単 もし あなた セット 上 その 検出 限界 で どちらか その カスタム デザイナー または として a カラム 財産。
私は 行く に 行く を通して 1つ もっと 例 それ もっている 測定値 で 違う 回、 どれの 追加 a 少し 少し もっと 複雑 に その モデル セット 上、 そして で 私たちの 場合、 必須 いくつかの テーブル 操作 に 得る その データ で その 右 形式。
ここ は その データ テーブル の その 2番 DOE で 基本的に その 形状 それ それ 元は 来た に 私たち。 で これ データ、 私たちは 持っている 8 要因、 A を通して H、 そして その データ もっている 測定値 1時 2日目 日、 そして 7 日。 元は、 私たちの 意図 だった に 分析する その 3 日数 別途、 しかし いつ 私たちは フィット その 日 7 データ、 その 自信 間隔 の上 その 予測 だった 巨大な。
それ だった 明らかな それ そこには だった それで 多くの 検閲 それ 私たちは だった できない に フィット その モデル、 そして それで 私たちは だった どちらか 行く に 持っている に 来る 上 と 別の 戦略 または 戻る 離れて から いくつかの の 私たちの モデリング 目標。 何 私たちは 終了 上 やっている だった 私たちは 使用済み a スタック 手術 から 下 その テーブル メニュー それで それ その 回答 から 違う 日数 だろう なれ 組み合わせ 一緒に の中へ a シングル カラム、 そして 私たちは 追加した 日 として a カラム それ 私たちは できた 使用 として a 回帰 学期。
で その ヒストグラム の ログ 削減、 私たちは 見る その 特性 束ねる で その 検出 制限 の 五。 組み合わせる その データ のように これ 確かに 思われる に 持っている 改善された その インパクト の 検閲 の上 その デザイン そして うまくいけば 許可する 私たち に 作る もっと 効果的 使用 の 全て その データ それ 私たちは 持っている。
として で その 前の 例、 私たちは 始める オフ フィッティング a 満杯 RSM モデル、 しかし で これ 場合、 なぜなら 私たちは 持っている 日 として a 学期、 私たちは 追加 a 日 そして 交流する 全て の その RSM 条項 と 日 で その フィット モデル 打ち上げ ダイアログ 前 に もたらす 上 その 一般化された 回帰 プラットフォーム。 また、 だった 行く に 使用 その ログN 通常の 分布 として 私たちの イニシャル 応答 分布。
なぜなら これ は a 大きい モデル、 私たちは できない 使用 最高 サブセット 選択、 それで 私たちは 使用済み 剪定された フォワード 選択 として 私たちの モデル 選択 基準。 私たちは 試す その ログN 通常、 ガンマ、 そして 普通 分布、 そして 明らかに その ログN 通常の 来る 外 として その 最高 分布 なぜなら その A ICc は 205.3, どれの は もっと よりも 10 少ない よりも その 2番 最高 分布、 どれの だった その 普通、 だれの A ICc だった 257.
ここ、 その モデル フィット 見た目 本当に 合理的 と 何もない 疑わしい。 その 解決 パス 標準 エラー、 規模 パラメータ、 そして その 実際の による- 予測された プロット 全て 見て かわいい 良い そして 現実的。 そこには a 少し 少し の 束ねる 下 で その 低い 終わり の その 回答、 しかし その 考え は それ なかった 期限 に a 検出 制限、 ただ a 一部 の その 慎重さ の その 測定 システム で より低い レベル の 削減。
今、 もし 私たちは 繰り返す これ 分析、 無視する その 検出 制限、 それ ガイド 私たち に向かって その 普通 分布。 ここ 私たちは 見る その プロファイラー のために その モデル それ 組み込まれた その 検出 制限 の上 その トップ そして その モデル それ 無視された その 検出 制限 の上 その 底。
として で その 他の 例、 私たちは 見る それ その サイズ の その 効果 は 劇的に ミュート いつ 私たちは 無視する その 検出 制限 そして 私たちは 得る とても a 違う 話 として そこには a 強い 関係 間 ログ 削減 で 要素 E いつ 私たちは 取る その 検出 制限 の中へ アカウント きちんと、 そして それ 効果 は 真剣に ミュート いつ 私たちは 無視する その 検出 制限。
もし 私たちは 比較する その 実際の による- 予測された プロット のために その 二 モデル、 その モデル と その 検出限界 撮影 に アカウント きちんと は よりタイト その周り その 45- 程度 ライン のために その 無修正 観察。 W e 見る それ その モデル 無視する その 検出 制限 は ただ 一般的に 少ない 正確な として その 観察 は もっと 広める 外 横切って その 45- 程度 ライン。
それらの は 私たちの 二 場合 研究。 で まとめ、 I 欲しい に 繰り返す それ 検出 限界 は とても 一般 で コミカル そして 生物学的 研究。 として 私たちは 見た で 私たちの 場合 研究、 無視する 検出 限界 紹介する 厳しい モデル 偏見。 T 彼 ほとんど 重要 メッセージ は それ 使用して その カラム 財産 または 設定 上 その 検出 限界 で その カスタム デザイナー 作る 分析する 検出- 限定 データ 多くの より簡単に に 得る 正しい。
そこには は いくつかの 落とし穴 に 時計 外 のために で それ もし あなた 見る 標準 エラー それ は 非現実的に 小さい、 または モデル は 非現実的に 正確な、 あなた 5月 必要 に 戻る オフ から その 二次関数 条項 または おそらく 平 交流 条項。
私たちは 表示されている どうやって ヒストグラム できる なれ 使用済み に 識別する いつ 私たちは 持っている a 検出 制限 状況。 その 役に立つ に 見る その 検閲 関係 間 違う 要因、 なぜなら もし そこには は 大きい コーナー の その 要素 空間 どこ 全て その 観察 は ない、 それから 私たちは 5月 ない なれ できる に フィット 相互作用 で それ 地域 の その デザイン 空間。
A 得、 もし その モデル 見た目 あまりにも 良い に なれ 真実、 行く 先に そして 試す a よりシンプルに モデル、 戻る オフ a 少し。 それは 全て 私たちは 持っている のために あなた 今日。 I 欲しい に 感謝 あなた のために あなたの 注意。
