你好， 我是 克里斯 戈特瓦爾特 和 跳轉， 和 我是 呈現 和 Fangyi 羅 的 寶潔 & 賭博， 和 她 同事， 比阿特麗斯 布魯姆， 誰會 是 加入 我們 為了 這 在- 人 推介會 在 這 發現 會議 在 西班牙。
今天， 我們 是 說 關於 如何 到 模型 數據 從 設計 實驗 什麼時候 這 回覆 是 偵測 有限的。 這 是 一個 重要的 話題 因為 在 這 一 手， 偵測 限制 是 非常 常見的， 尤其 在 產業 那 做 a 很多 的 化學， 喜歡 這 製藥 和 消費者 產品 行業。
儘管 在 這 其他 手， 這 結果 的 忽略 偵測 限制 線索 到 嚴重地 不準確 結論 那 將要 不是 概括。 這 線索 到 遺失的 研發 時間 和 效率低下 使用 的 資源。 這 好的 訊息 那 我們 是 這裡 到 展示 今天 是 那 得到 這 分析 正確的 是 瑣碎地 簡單的 如果 你 是 使用 廣義的 回歸 在 跳轉 專業和 知道 如何 到 放 向上 這 偵測 限制 柱子 財產。
在 這 講話， 是 去 到 給 a 簡短的 介紹 到 感應器 數據， 解釋 什麼 它 是， 什麼 它 看起來 喜歡 在 直方圖 和 a 簡短的 描述 的 如何 你 分析 它 a 小的 位元 不同。 然後 Fangyi 是 去 到 去 進入 這 分析 的 一些 設計 實驗 從 寶潔 & 賭博。 然後 我是 去 到 去 透過 一個 分析 的 a 更大 數據 放 比 這 一 那 Fangyi 介紹。 然後 是 去 到 裹 向上 和 a 概括 和 一些 結論。
什麼 是 偵測 限制？ 偵測 限制 是 什麼時候 這 測量 系統 是 無法 到 措施， 在 至少 可靠地， 什麼時候 這 實際的 價值 是 多於 或者 以下 a 特別的 價值。 如果 這 實際的 價值 是， 說， 多於 一個 上 偵測 限制， 這 測量 價值 將要 是 觀察到 作為 存在 在 那 限制。 為了 例子， 如果 a 車速表 在 a 車輛 僅有的 去 到 180 公里 一個 小時， 但 你 是 駕駛 200公里 一個 小時， 然後 這 車速表 將要 只是 讀 180 公里 一個 小時。
在 這 圖表 多於， 我們 看 其他 例子。 我們 看 五 直方圖 的 這 相同的 數據。 這 真的 或者 實際的 價值觀 是 超過 這裡 在 這 左邊， 和 移動 到 這 正確的， 我們 看 什麼 結果 什麼時候 你 申請 一個 增加 偵測 限制 到 這 數據。
什麼 發生 是 我們 看 這 特徵 聚束 在 這 偵測 限制。 什麼時候 你 看 這 圖案， 它是 a 真的 好的 符號 那 你 可能 需要 到 思考 關於 服用 偵測 限制 進入 帳戶 在 你的 分佈 或者 回歸 分析。
為什麼 應該 我們 關心 關於 偵測 限制 在 a 數據 分析？ 出色地， 如果 你 不 拿 你的 偵測 限制 進入 帳戶 適當地， 你會 結尾 向上 和 非常 沉重 有偏見 結果， 和 這 線索 到 非常 貧窮的 模型 概括。 這 回歸 係數 將要 是 方式 離開。 你會 有 一個 不正確 回覆 表面， 哪個 線索 到 匹配 目標 和 這 分析器 存在 方式 離開。
I 思考 這 情況 是 a 小的 位元 較少的 說 什麼時候 最大化 a 回覆, 但 有 仍然 相當 a 很多 的 機會 為了 事物 到 去 錯誤的。 在 特別的， 西格瑪， 你的 變異數 估計 將要 仍然 是 方式 離開， 哪個 線索 到 很多 降低 力量， 你 有 完全地 不可靠的p- 值。 這 趨勢 是 那 多變的 選擇 方法 將要 沉重 在下面 選擇 重要的 因素 . 這 實際的 影響 那 a 因素 有 在 你的 回覆 將要 是 戲劇性地 低調 如果 你 不 拿 這 偵測 限制 進入 帳戶。
這 二 表 的 範圍 估計 那 我們 看 這裡 闡明 這 非常 很好。 在 這 左邊 是 這 範圍 估計 從 a 檢測- 有限的 對數N 正常 分析 的 a 回歸 問題。 在 這 對的，他們 是 這 導致 範圍 估計 什麼時候 我們 忽略 這 偵測 限制。 我們 看 那 這 模型 在 這 左邊 是 a 很多 更富有 和 那 a 很多 我們的 主要的 效果， 互動， 和 二次函數 條款 有 到過 承認 進入 這 模型。
然而 在 這 正確的， 什麼時候 我們 忽略 這 偵測 限制， 是 僅有的 有能力的 到 得到 一 主要的 影響 和 它是 二次函數 學期 包括 在 這 模型， 和 這 二次函數 學期 是 沉重 誇大其詞 和 a 價值 的 消極的 11.5 關於 相對的 到 這 價值 在 這 恰當的 分析 在哪裡 那 二次函數 學期 是 平等的 到 只是 消極的 3.
我們 看 那 是 真的 遺失的 它 在 a 很多 的 這 其他 參數 這裡 作為 出色地。 什麼時候 我們 拿 a 看 在 這 在 這 分析器， 這 變成 真的 顯而易見。 O n 這 左邊， 我們 有 這 分析器 的 這 模型 正確地 分析 和 這 檢測極限， 和 我們 看 那 全部 這 因素 是 那裡， 和 全面的， 這 回覆 表面 是 漂亮的 富有的- 看。
在 這 正確的， 我們 看 那 僅有的 這 一 因素， 二氯甲烷， 有 到過 包括 在 這 模型。 T 他 解決方案 到 這 問題 那 你 會 得到 和 這 問題 在 這 左邊 是 可能 相當 不同的 從 這 一 那 你 會 得到 在 這 正確的。
謝謝， 克里斯。 現在 我是 去 到 分享 和 你 a 小的 位元 背景 在 這 實驗 的 這 數據 提及 經過 克里斯， 這 時間 到 細菌 檢測。 這 客觀的 的 那 實驗 曾是 到 理解 敵意 影響 的 我們的 配方 原料 或者 因素 在 a 液體 消費者 打掃 配方。
這 實驗 曾是 a 微- 敵意 設計 的 實驗 和 三十六 樣品， 和 我們 有 五 鑰匙 配方 因素 一個， B, C, D, 和。 W e 有 二 回應 從 這 實驗。 他們是 從 微生物 測試。 這 第一的 一 曾是 這 一 提及 經過 克里斯。 它 是 時間 到 細菌 偵測 在 二 天， 和 它 曾是 測量 經過 小時。 I f 我們 是 不是 有能力的 到 探測 這 細菌 在 二 天， 然後 時間 到 細菌 偵測 是 正確的 審查 在 四十八 小時。 所以 這 檢測極限 為了 這 端點 是 四十八 小時。
其他 端點 是 紀錄 減少 在 模式 從 微 易感性 測試。 為了 這 端點， 什麼 我們 做過 是 那 我們 添加 肯定 數量 的 模具 到 這 配方， 等待 為了 二 幾週， 和 措施 數量 的 模具 在 這 產品 後 二 週。 T 母雞 我們 計算 這 減少 在 紀錄 根據 時間 模具， 和 這 是 這 第二 端點。
檢測極限 為了 這 端點 是 六 單元。 T 他的 節目 你 這 詳細的 數據 從 這 實驗， 這 第一的 15 樣品。 Y 或者 能 看 這 配方 因素 一個， B, C, D, 和， 和 他們 是 從 回覆 表面 設計。 W e 有 二 端點， 這 細菌 偵測 時間 在 小時 和 這 紀錄 減少 在 模具。 這 數據 突出顯示 在 紅色的 是 正確的 審查 數據。
我們 能 使用 直方圖 和 散點圖 到 視覺化 我們的 數據 作為 出色地 作為 因素 相對 審查 關係。 作為 你 能 看 從 這 直方圖， 更多的 比 50 % 的 樣品 是 正確的 審查 在 四十八 小時。 如果 一個 觀察 是 不是 受到審查， 然後 最多 的 他們 將要 是 以下 15 小時。
O n 這 正確的， 我們 有 這 分散 陰謀。 這 紅色的 圓圈 表示 這 審查 數據 點。 你 能 看 那 我們 有 審查 在 全部 等級 的 這 因素 除了 為了 因素 C. 我們 不 有 這 審查 在 更高 等級 的 C, 但 我們 觀察 審查 在 全部 等級 的 這 因素。
在 跳轉 專業版 16 和 更高， 我們 能 指定 柱子 特性 為了 偵測 限制。 W 母雞 你 去 到 柱子 財產， 你 尋找 偵測 限制， 和 然後 你 能 指定 這 降低 偵測 限制 和 上 偵測 限制。我 f a 數據 觀點 是 以下 這 降低 偵測 限制， 那 方法 它是 較少的 審查 在 這 降低 偵測 限制。 如果 a 數據 觀點 是 更高 比 這 上 偵測 限制， 然後 它 方法 那 它是 正確的 審查 在 這 上 偵測 限制。
為了 這 細菌 偵測 時間， 我們 有 一個 上 偵測 限制 和 它是 四十八 小時。 W e 放 四十八 小時 在 這 上 偵測 限制 盒子。 後 我們 指定的 偵測 限制 在 這 柱子 財產 在 跳轉， 然後 我們 能 使用 跳轉 廣義的 回歸 造型 到 分析 這 數據 經過 服用 進入 帳戶 這 檢測極限。 所以 這 是 a 新的 特徵 在 跳轉 專業版 16 和 更高。
為了 這 類型 的 分析， 我們 需要 到 第一的 指定 這 分配 為了 a 回覆 和 估計 方法。 W e 嘗試 不同的 分配 為了 這 數據 和 使用 這 向前 選擇 方法， 和 我們 成立 普通的 分配 適合 這 數據 這 最好的 因為 它 有 最低 AICc。
我們 能 也 分析 數據 忽略 這 偵測 限制。 Y 或者 能 看 那 我們 將要 有 a 很多 更小 模型 和 五 因素 左邊 在 這 最終的 模型。 T 他 模型 忽略 檢測極限 將要 有 很多 較少的 力量 到 探測 重要的 因素。
這 顯示 你 這 因素 左邊 在 這 最終的 模型 從 這 廣義的 回歸 造型。 如果 我們 拿 進入 帳戶 檢測極限 為了 這 回覆, 或者 如果 我們 忽略 檢測極限 在 這 回覆. 作為 你 能 看， 如果 我們 拿 進入 帳戶 檢測極限， 然後 我們 有 很多 更多的 重要的 因素 在 這 模型。 W e 能 僅有的 探測 這 影響 的 C 和 D 和 他們的 二次函數 影響 在 這 模型 如果 我們 忽略 檢測極限 為了 我們的 回覆.
再次， 這 是 比較 的 這 範圍 估計 從 這 模型 如果 我們 考慮 檢測極限 在 這 造型 或者 忽略 檢測極限 在 這 造型。 忽略 檢測極限 在 這 造型 會 給 我們 這 偏見 估計 的 這 範圍 作為 出色地。
這 滑動 節目 你 這 預言 分析器 的 這 回覆 如果 我們 執行 這 造型 經過 考慮 這 檢測極限 相對 忽略 這 檢測極限。 如果 我們 考慮 這 檢測極限 在 這 造型， 然後 我們 得到 a 模型 和 全部 這 條款 在 這 模型， 這 主要的 效果 作為 出色地 作為 一些 的 這 交互作用 和 二次函數 條款。 T 他的 模型 使 很多 更多的 感覺 到 我們的 合作者。
記住 那 在 降低 等級 的 C 和 在 更高 等級 的 D, 我們 有 更多的 審查 數據。 那 方法 這 偵測 時間 是 更長 和 這 預言 分析器 顯示 那 在 降低 等級 的 C 和 a 更高 等級 的 D, 這 預測 偵測 時間 是 更長。 A 伊索 因為 我們 有 更多的 審查 數據 在 那些 地區， 所以 這 信心 間隔 為了 這 預言 P 羅菲勒 是 更寬。
如果 我們 忽略 這 檢測極限 在 這 分析， 我們 得到 很多 較少的 重要的 因素。 僅有的 C 和 D 顯示 向上 在 這 模型， 和 這 範圍 估計 是 也 有偏見。 這 一 節目 你 這 診斷 密謀 的 觀察到 數據 在 這 和- 軸 相對 預測 數據 在 這 x- 軸。
如果 我們 考慮 檢測極限 在 這 廣義的 回歸 造型， 它 給出 正確的 預言。 但 如果 我們 忽略 檢測極限 在 這 造型， 然後 它 將要 給 不正確 預言 為了 你的 數據。
在 添加 到 這 預言 分析器， 跳轉 廣義的 回歸 造型 會 也 給 你 二 分析器 相似的 到 那些 從 參數 生存M 建模 平台。 那些 是 這 分配 分析器 和 分位數 分析器。 這 分配 分析器 將要 給 你 這 失敗 可能性 在 a 肯定 組合 的 我們的 配方 因素 和 a 肯定 偵測 時間。
這 分位數 分析器 將要 給 你 這 分位數 的 這 偵測 時間 在 a 肯定 組合 的 我們的 配方 因素 和 這 指定的 失敗 可能性。 T 赫瑟 二 分析器 是 可用的 在 跳轉 在下面 這 廣義 回歸 造型。
但 一 優勢 的 使用 廣義 R 出院 造型 到 分析 時間 到 失敗 類型 的 數據 是 那 它 會 提供 你 這 預言 分析器， 和 這 類型 的 分析器 是 很多 更多的 更輕鬆 為了 我們的 合作者 到 理解。 I 的 很多 更難 到 解釋 這 分配 分析器 和 分位數 分析器 到 我們的 合作者。
現在 它 來 到 這 分析 的 這 第二 端點， 這 紀錄 減少 在 模具。 再次， 我們 能 使用 直方圖 和 這 散點圖 到 視覺化 我們的 數據 和 視覺化 這 因素 相對 審查 關係。 作為 你 能 看 從 這 左邊 直方圖， 你 能 看 那 我們 有 a 很多 的 數據 那 是 正確的 審查 在 六 單元。
我們 能 看 審查 在 全部 等級 的 我們的 配方 因素， 除了 在 更高 等級 的 C 和 降低 等級 的 和。 T 他的 是 這 地區 的 憂慮。 我們 有 見過 a 很多 的 審查 在 降低 等級 的 C 和 更高 等級 的 和。 那 方法 在 降低 等級 的 C 和 更高 等級 的 和， 它是 好的 為了 這 產品。 我們 有 更高 紀錄 模具 減少。
再次， 我們 能 使用 偵測 限制 在 這 柱子 財產 到 指定 這 檢測極限 為了 這 端點。 W e 用過的 上 偵測 限制 的 六 在 這 柱子 財產。 N 哎喲 這 下一個 步 是 到 分析 這 數據 使用 這 廣義 R 出院 造型 經過 服用 進入 帳戶 這 檢測極限。 W e 使用 對數N 正常 分配 和 向前 選擇。
有趣的是， 我們 成立 那 這 遙感 為什麼 是 一 和 這 是 非常 可疑的。 A 另外， 我們 看 一些 紅色的 旗幟。 這 人工智慧 有 a 劇烈 降低 後 步 17. T 他 標準 錯誤 的 這 估計 作為 出色地 作為 這 估計 為了 這 規模 範圍 似乎 到 是 極為 小的。 A 另外， 這 診斷 陰謀 顯示 完美的 預言 從 這 模型。 W e 知道 那 這 模型 有 過度擬合。
這 是 這 預言 分析器， 和 他們 顯示 非常 狹窄的 信心 間隔 為了 這 預言， 和 我們 知道 那 我們的 模型 是 過度擬合。 所以 什麼 我們 做過 為了 這 造型 是 那 我們 嘗試過 a 更簡單 模型 經過 移除 這 二次函數 條款 從 這 最初的 回覆 表面 模型。
我們 成立 那 對數N 正常 和 向前 選擇 模型 適合 這 數據 這 最好的 因為 它 有 a 最低 人工智慧 和 比克。 T 他的 時間， 這 解決方案 小路 看起來 更多的 合理的 作為 出色地 作為 這 標準 錯誤 估計 的 我們的 參數 和 估計 的 這 規模 範圍 的 這 對數N 正常 分配。 T 他 診斷 陰謀 看起來 更多的 合理的 現在。
這 是 這 預言 分析器 的 這 最終的 模型 後 我們 已刪除 這 二次函數 條款。 這 預言 分析器 使 a 很多 更多的 感覺。 記起 那 在 降低 等級 的 C 和 在 更高 等級 的 和， 我們 有 更多的 審查 數據 你 能 看 這裡。 那 方法 在 降低 等級 的 C 和 更高 等級 的 和， 我們 有 更高 紀錄 模具 減少。
它 顯示 在 這 預言 分析器 因為 它 有 更多的 審查 數據 在 這 地區 和 這 信心 間隔 為了 這 預言 是 更寬。 我們 能 也 比較 這 最終的 模型 預言 分析器 如果 我們 忽略 檢測極限 在 這 造型。
如果 我們 忽略 檢測極限 在 這 造型， 我們 得到 較少的 重要的 模型 因素 作為 出色地 作為 有偏見 結果。 如果 我們 忽略 檢測極限 在 這 廣義 回歸 造型， 然後 這 第二 模型， 哪個 是 不正確 和 是 嘗試 到 使用 這 二次函數 學期 到 預測 在 這 降低 等級 的 C 和 更高 等級 的 E. So t 賴因 到 得到 這 預測 價值 關閉 到 這 檢測極限， 和 我們 知道 那 這 結果 是 有偏見。
Fangyi has 很好 顯示 這裡 那 這 不正確 分析， 忽略 這 檢測極限， 線索 到 一些 嚴重地 有偏見 結果。 和 那 得到 這 分析 正確的 是 簡單的 如果 你 放 向上 這 偵測 限制 在 任何一個 這 風俗 設計師 或者 作為 a 柱子 財產。
我是 去 到 去 透過 一 更多的 例子 那 有 測量 在 不同的 次， 哪個 添加 a 小的 位元 更多的 複雜 到 這 模型 放 向上， 和 在 我們的 案件， 必需的 一些 桌子 操縱 到 得到 這 數據 在 這 正確的 格式。
這裡 是 這 數據 桌子 的 這 第二 美國能源部 在 基本上 這 形式 那 它 起初 來了 到 我們。 在 這 數據， 我們 有 8 因素， A 透過 H, 和 這 數據 有 測量 在 1 第2天 天， 和 7 天。 起初， 我們的 意圖 曾是 到 分析 這 3 天 分別地， 但 什麼時候 我們 合身 這 天 7 數據， 這 信心 間隔 在 這 預測 是 巨大的。
它 曾是 顯然 那 那裡 曾是 所以 很多 審查 那 我們 是 無法 到 合身 這 模型， 和 所以 我們 是 任何一個 去 到 有 到 來 向上 和 其他 策略 或者 後退 離開 從 一些 的 我們的 造型 目標。 什麼 我們 結束 向上 正在做 曾是 我們 用過的 a 堆疊 手術 從 在下面 這 表 選單 所以 那 這 回應 從 不同的 天 會 是 合併 一起 進入 a 單身的 柱子， 和 我們 額外 天 作為 a 柱子 那 我們 可以 使用 作為 a 回歸 學期。
在 這 直方圖 的 紀錄 減少， 我們 看 這 特徵 聚束 在 這 偵測 限制 的 五。 合併 這 數據 喜歡 這 當然 似乎 到 有 改進 這 影響 的 審查 在 這 設計 和 希望 允許 我們 到 製作 更多的 有效的 使用 的 全部 這 數據 那 我們 有。
作為 在 這 以前的 例子， 我們 開始 離開 配件 a 滿的 RSM 模型， 但 在 這 案件， 因為 我們 有 天 作為 a 學期， 我們 添加 a 天 和 相互影響 全部 的 這 RSM 條款 和 天 在 這 合身 模型 發射 對話 事先的 到 帶來 向上 這 廣義的 回歸 平台。 再次， 是 去 到 使用 這 對數N 正常 分配 作為 我們的 最初的 回覆 分配。
因為 這 是 a 大的 模型， 我們 不能 使用 最好的 子集 選擇， 所以 我們 用過的 修剪 向前 選擇 作為 我們的 模型 選擇 標準。 我們 嘗試 這 對數N 正常的， 伽馬， 和 普通的 分佈， 和 清楚地 這 對數N 正常 來 出去 作為 這 最好的 分配 因為 它是 A 積體電路 是 205.3， 哪個 是 更多的 比 10 較少的 比 這 第二 最好的 分配， 哪個 曾是 這 普通的， 誰 A 積體電路 曾是 257.
這裡， 這 模型 合身 看起來 真的 合理的 和 沒有什麼 可疑的。 這 解決方案 小路 標準 錯誤， 規模 範圍， 和 這 實際的 經過- 預測 劇情 全部 看 漂亮的 好的 和 實際的。 有 a 小的 位元 的 聚束 向下 在 這 低的 結尾 的 這 回覆 但 這 思維 是 那 不是 到期的 到 a 偵測 限制， 只是 a 部分 的 這 謹慎 的 這 測量 系統 在 降低 等級 的 減少。
現在， 如果 我們 重複 這 分析， 忽略 這 偵測 限制， 它 指南 我們 向 這 普通的 分配。 這裡 我們 看 這 分析器 為了 這 模型 那 合併 這 偵測 限制 在 這 頂部 和 這 模型 那 被忽略 這 偵測 限制 在 這 底部。
作為 在 這 其他 例子， 我們 看 那 這 尺寸 的 這 效果 是 戲劇性地 靜音 什麼時候 我們 忽略 這 偵測 限制 和 我們 得到 相當 a 不同的 故事 作為 有 a 強的 關係 之間 紀錄 減少 在 因素 E 什麼時候 我們 拿 這 偵測 限制 進入 帳戶 適當地， 和 那 影響 是 嚴重地 靜音 什麼時候 我們 忽略 這 偵測 限制。
如果 我們 比較 這 實際的 經過- 預測 劇情 為了 這 二 模型， 這 模型 和 這 檢測極限 採取 到 帳戶 適當地 是 更緊 大約 這 45- 程度 線 為了 這 未經審查 觀察結果。 W e 看 那 這 模型 忽略 這 偵測 限制 是 只是 一般來說 較少的 準確的 作為 這 觀察 是 更多的 傳播 出去 穿過 這 45- 程度 線。
那些 是 我們的 二 案件 研究。 在 概括， I 想 到 重申 那 偵測 限制 是 非常 常見的 在 滑稽 和 生物 研究。 作為 我們已經 見過 在 我們的 案件 研究， 忽略 偵測 限制 介紹 劇烈 模型 偏見。 T 他 最多 重要的 訊息 是 那 使用 這 柱子 財產 或者 環境 向上 這 偵測 限制 在 這 風俗 設計師 製作 分析 檢測- 有限的 數據 很多 更輕鬆 到 得到 正確的。
那裡 是 一些 陷阱 到 手錶 出去 為了 在 那 如果 你 看 標準 錯誤 那 是 不切實際地 小的， 或者 模型 是 不切實際地 準確的， 你 可能 需要 到 後退 離開 從 這 二次函數 條款 或者 可能 甚至 交互作用 條款。
我們 顯示 如何 直方圖 能 是 用過的 到 確認 什麼時候 我們 有 a 偵測 限制 情況。 它是 有用 到 看 這 審查 關係 之間 不同的 因素， 因為 如果 那裡 是 大的 角落 的 這 因素 空間 在哪裡 全部 這 觀察 是 遺失的， 然後 我們 可能 不是 是 有能力的 到 合身 交互作用 在 那 地區 的 這 設計 空間。
A 獲得， 如果 這 模型 看起來 也 好的 到 是 真的， 去 前方 和 嘗試 a 更簡單 模型， 後退 離開 a 位元. 那是 全部 我們 有 為了 你 今天。 I 想 到 感謝 你 為了 你的 注意力。
