本次演講將探討 JMP Profiler 的實際應用，並著重於其改進的預測區間功能。我們將透過 Cencora-PharmaLex 的詳細案例研究，展示預測區間如何透過量化模型預測的不確定性，為決策提供更穩健的框架。這項新增功能有助於做出更明智的決策，尤其是在風險管理和精準預測至關重要的關鍵場景中。透過此案例研究，我們將著重闡述預測區間在提升數據驅動決策可靠性方面的附加價值，最終助力製藥和生命科學計畫取得更佳成果。
我們還評估了JMP模擬器的現有功能，該模擬器尚未整合預測分佈以支援基於風險的決策。透過範例和公式來彌補這一不足，我們旨在指出未來JMP版本中進一步改進的機會，最終為製藥和生命科學計畫帶來更好的結果。
大家好，我叫海莉。我想簡單介紹一下我的背景。我擁有生物統計學博士學位，目前在PharmaLex Cencora擔任統計和數據科學經理。我的工作涉及臨床和非臨床研究的統計分析，旨在為決策提供可靠的見解。我廣泛使用JMP進行數據分析，為各種項目提供支援。我的目標是運用先進的統計方法來提高研究的品質和效率。
本次演講將探討如何利用 JMP 分析器中的預測區間來改善決策，我將展示 Cencora PharmaLex 的一個案例研究。這張海報展示了 JMP 分析器工具如何利用預測區間來提升決策品質。預測區間有助於管理不確定性，使結果更清晰。這在準確性和風險管理至關重要的關鍵情況下尤其重要。增加預測區間可以提高決策的可靠性，並使模型更加精確。
本次演講分為兩部分。第一部分我將介紹模擬流程，第二部分將介紹Cencora PharmaLex公司的案例研究。 Cencora PharmaLex是製藥和生命科學行業領先的專業服務提供者。在本案例研究中，我們將重點放在該公司如何利用工作分析工具來優化客戶的決策流程。透過引入預測區間，Cencora PharmaLex能夠量化模型預測中的不確定性，從而做出更明智、更可靠的決策。
首先，我想談談模擬部分。本研究評估了包含五個連續因子的實驗設計（DOE）中的預測區間，並測試了不同模型和情境的準確性和可靠性。實驗設計包含一個不完全模型，該模型包含五個連續因子以及選定的交互作用。
我們定義了三種方案，首先是僅有12輪的低設計方案，然後是30輪的高設計方案，每個方案重複100次。我們使用特定模型模擬反應，並在因子空間中的關鍵點（此處應填入-1、0.5和0）進行評估。我們使用JMP分析了線性效應模型和隨機效應模型，並與基於R語言的LM和Stan模型進行比較，以評估其表現。
如您所見，這是預測值的第一個結果。隨機效應模型顯示了 JMP 和 Stan 在預測值方面的差異，尤其是在設計較簡單的情況下。然而，在線性模型中，我們沒有看到兩個軟體的預測值有任何差異。增加模組數和運行次數通常會提高兩個模型的預測值，正如您在線性模型和混合模型的兩個圖表中所看到的。
現在，如果我們只想討論預測區間的上限和下限，正如您在這裡透過 JMP 和 R 中的 LM 函數看到的線性模型，差異在於上下預測區間在 JMP 或 R 中的 LM 函數中都沒有出現，這證實了兩種結果的可靠性。
然而，在最後幾個模組中，我們採用了混合模型，運行結果通常會導致分析器中預測區間變寬。如您所見，JMP 和 Stan 的兩張圖表對比表明，預測的不確定性更大。隨著資料點和變異性的增加，模型能夠捕捉到更廣泛的可能結果，從而降低預測的確定性；而更大的設計則能提高模型的泛化能力。
它們也突顯了系統內部交互作用的複雜性和可預測性。這種效應在高變異性情境中尤其明顯，此時預測分析器預測的潛在值範圍較廣，而非精確估計。正如您在低設計對比中看到的，預測值的範圍更廣。
我想提醒您注意一點。 JMP 的結果總體上偏樂觀，這意味著成功的機率可能過高。 JMP 不使用 t 分佈，而是使用常態分佈來取代 t 分佈來計算預測區間。
學生們透過自由度來考慮資料有限性，並使用均方根誤差 (RMSE) σ（聽不清楚 00:06:24）作為預測誤差，而不是使用完整的公式，從而考慮了實驗設計 (DOE) 的位置。當觀測值數量遠大於參數數量時，如果自由度足夠高，我可以說，JMP 中的線性混合模型的預測區間也比 R 中的 Stan 更寬。請注意。當自由度較低時，我們應該注意 JMP 預測區間可能過於樂觀。
在這裡，我們想探討一下Cencora PharmaLex專案的案例研究，即我們如何利用預測區間向客戶展示專案的準確性和可靠性。分析器會根據各因素的程度顯示反應變數的預測線。這裡我們設計了八個不同的變量，這些變量都在實驗設計（DOE）階段完成。
預測區間代表真實反應值預期落入特定水準的範圍。例如，這裡我們考慮 95% 的機率。我們可以輕鬆地更改紅色垂直線，並顯示其中的差異。我們會告訴客戶：「請注意預測值和預測區間寬度的差異，區間越窄，預測結果越準確。區間越窄表示預測越精確，區間越寬表示不確定性越大。」 您可以看到，在這兩張圖中，我們更改了數值，可以移動紅色垂直線，並向客戶展示其中的差異。
最後，我們可以得出結論：預測區間透過展示一系列可能的結果並量化不確定性，從而改善決策。它們有助於評估風險、提高準確性並支持更優的選擇。尤其是在臨床和生命科學領域，對於某些客戶而言，在關鍵情況下，預測區間的價值更體現在風險管理以及製藥和生命科學等領域。非常感謝邀請我。以下是我的演講內容。
