使用引導技術設計實驗的模型驗證策略及其在生物製藥中的應用 (EU2018 201)等級：中級
菲利普‧拉姆齊 (Philip Ramsey)，新罕布夏大學首席講師；兼 North Haven Group 所有者
Chris Gotwalt，SAS 統計研究與發展總監
統計建模有兩個不同的目標：解釋和預測。解釋模型通常預測效果不佳（Shmueli，2010）。設計實驗（DOE）的分析通常具有解釋性，但實驗目標是預測。 DOE 是產品和流程開發的最佳實踐，可以預測未來的表現。預測建模需要將資料分成訓練集和驗證集，其中驗證集用於評估預測模型。大多數 DOE 的觀測結果不足以形成驗證集，因此無法直接評估預測效能。我們示範了一種「平衡自動驗證」技術，使用原始資料建立該資料的兩個副本，一個作為訓練集，另一個作為驗證集。各個集合的行權重不同。權重服從狄利克雷分佈且「平衡」；對訓練資料貢獻較大的觀察結果對驗證集的貢獻較小（反之亦然）。此方法只需要複製資料並為權重建立公式列。該技術具有通用性，允許人們將預測建模技術應用於實驗室和製造研究中常見的較小資料集。使用兩個生物製藥製程開發案例研究進行演示。兩種情況都具有大型驗證集和明確的篩選設計。 JMP 用於演示分析。
