你好。 我的 姓名 是 标记 贝利。
我是 a 高级的 分析 软件 测试员 在 跳转。
我的同事 今天 是 建夫 一 丁，
a 高级的 研究 统计员 開發人員。
我是 去 到 开始 这 推介会
关于 一些 新的 方法 到 比较 那 将要 是 可用的 在 跳转 17.
我是 去 到 开始 超过。 I 不 知道 为什么。
你好。 我的 姓名 是 标记 贝利。
我是 a 高级的 分析 软件 测试员 在 跳转。
我的 联合主持人 今天 是 Jianfeng 丁，
a 高级的 研究 统计员 和 開發人員。
我是 去 到 开始 和 一个 介绍 到 我们的 话题。
前 我们 讲话 关于 具体的 比较，
我们会 喜欢 到 介绍 一些 基本的 概念。
全部 的 这 有 到 做 什么时候 是 比较 人口。
比较 人口 是 a 非常 常见的 任务。
这 比较， 我们 希望， 将要 带领 到 a 决定 之间 二 假设。
示例 从 这些 人口 是 经常 集 为了 这 比较。
S 统计 推理 能 提供 一些 有价值的 信息 关于 我们的 样品。
在 特别的，
是 那里 充足的 证据 到 拒绝 一 假设 关于 这些 人口。
清晰 陈述 的 这 假设 是
真的 基本的 到 制作 这 正确的 选择 的 a 测试 为了 你的 比较。
这些 假设 代表 二 相互 独家的 想法
那 一起 包括 这 仅有的 可能性。
他们是 称为 这 选择 和 无效的 假设。
这 选择 假设
是 真的 a 陈述 关于 这 结论 那 我们 想 到 宣称。
它 服务 到 代表 这 人口 和 它 将要 要求 充足的 证据
到 推翻 这 其他 假设， 哪个 是 这 无效的 假设。
它 州 这 反对 结论 那 必须 是 克服 和 强的 证据。
它 服务 作为 a 参考 为了 比较 和 它是 假定 到 是 真的。
这 是 重要的 那 我们 种类 这 出去 今天 因为 从历史上看，
统计 训练 有 呈现 仅有的 一 方式 的 使用 这些 假设。
这 最多 经常 教 统计 测试
是 用过的 到 证明 a 不同之处 之间 这 人口。
但 那是 不是 这 仅有的 可能性。
这 缺少 的 理解 关于 这 区别
能 带领 到 滥用 这些 測試。
这 选择 的 a 测试 是 不是 a 事情 的 这 数据 那是 集
或者 如何 这 数据 是 集。
它是 严格 a 事情 的 这 声明 假设
为了 这 目的 的 你的 比较。
让我们 看 在 二 相似的 示例 那 是 实际上 从根本上来说 不同的。
但 让我们 开始 出去 在哪里 我们 有 a 目的 的 演示 a 不同之处。
在 这 例子， 让我们 说 I 会 喜欢 到 证明 那 a 改变 在 温度
将要 原因 a 新的 结果， 一个 改进 也许。
我们 想 到 宣称 那 a 新的 等级
的 我们的 回复 将要 结果 从 改变 这 过程 温度。
出色地 使用 a 设计 实验 到 随机 样本 从 a 人口
为了 这 低的 温度 状况 和 这 高的 温度 健康）状况。
这 二 假设 是 这 无效的 州
那 这 温度 做 不是 影响 这 结果。
这 将要 是 我们的 参考。
这 选择 州 我们的 宣称，
哪个 是 这 温度 影响 这 结果，
但 仅有的 如果 这 证据 是 强的 足够的 到 拒绝 这 无效的 假设。
全部 正确的， 这 是 去 到 声音 非常 相似的， 但 它是 确切地 这 对面的。
在 这 案件， 一个 例子 二， 我们 需要 到 证明 等价物。
这里 我们 想 到 证明
那 a 温度 改变 母鹿 不是 原因 a 新的 结果。
那 是， 后 这 改变， 我们 有 这 相同的 结果。
为了 例子， 这 可能 是 这 案件 在哪里
我们 是 规划 到 改变 这 过程 温度
到 提升 这 屈服，
但 我们 想 到 制作 当然 那 它 没有 改变
这 等级 的 一个 杂质 在 我们的 产品。
我们 设计 这 相同的 实验 到 收集 这 相同的 数据
和 我们 有 这 相同的 二 假设， 但 现在 他们是 逆转。
它是 这 无效的 那 州 那 这 温度 影响 这 结果，
那 是， 有 a 不同之处，
尽管 这 选择 州
那 我们的 改变 在 温度 将要 不是 影响 这 结果。
是 我们 测试 为了 a 不同之处 或者 为了 等价物？
真的 我们 看 那 从 这些 示例
那 它是 不是 这 数据， 这 数据 完全相同的， 但 这 测试 是 不同的。
这 选择 是 不是 关于 这 数据，
它是 关于 我们的 宣称， 或者 在 其他 字， 如何 我们 状态 我们的 假设。
还 记住 那 假设 测试 是 单向。
他们 服务 仅有的 到 拒绝 a 无效的 假设
的 a 高的 可能性 什么时候 它是 错误的。
在 我们的 推介会 今天，
我们会 喜欢 到 介绍 一些 新的 等价物 测试 作为 出色地 作为 一些
额外的 方法 那 是 用过的 什么时候 比较 二 测量 系統。
我是 现在 去 到 手 它 超过 到 Jianfe 的 到 讲话 关于 等价 测试。
谢谢 标记。
你好。
我是 Jianfeng Ding .
我是 a 研究 统计员 开发人员 在 跳转。
在 这 视频 我是 去 到 讲话 关于 这 等价，
非劣效性 和 优势 测试 在 跳转 17.
这 古典 假设 测试 在 这 左边
是 这 测试 那 最多 质量 专业人士 是 熟悉的 和。
它 是 经常 用过的 到 比较 二 或者 更多的 组 的 数据
到 决定 无论 他们 是 统计上 不同的。
这 参数 数据 能 是 a 意思是 回复
为了 连续的 结果 和 a 部分 什么时候 这 结果 多变的 是 二进制。
西塔 t 代表 这 回复 从 治疗 团体
和 西塔 零 代表 回复 从 a 控制 团体。
那里 是 三 类型 的 这 经典的 假设 测试。
这 第一的 一 是 这 二 双面 测试 和 这 休息 是 一 双面 測試。
如果 你 是 寻找 在 这 二 边 测试 在 这 左边，
这 不 假设 是 那 这 治疗 方法 是 相同的
和 这 选择 假设 是 那 这 治疗 方法 是 不同的。
有时 我们 真的 需要 到 建立 那 事物 是 实质上 这 相同的
和 这 机械 到 做 那 是 称为 一个 等价 测试。
一个 相等的 测试 是 到 展示 这 不同之处 在 西塔 t 和 西塔 零
是 之内 a 预先指定的 利润 三角洲
和 允许 我们 到 结论 这 等价 和 a 指定的 信心 等级。
如果 你 看 在 这 等价 测试， 这 不 假设 是 那
这 对待 陈述 方法 是 不同的 和 这 选择 假设 是 那
这 治疗 方法 是 之内 a 固定的 三角洲 的 一 其他。
这 是 不同的 从 这 二 双面 假设 测试 在 这 左边。
其他 选择 测试 设想 是 这 非劣效性 测试，
哪个 目标 到 证明 那 结果 是 不是 实质上 更糟。
那里 是 还 a 测试 设想 称为 优势 测试，
那 是 相似的 到 非劣效性 测试，
除了 那 这 目标 是 到 证明 那 结果 是 实质上 更好的。
那里 是 五 不同的 类型 的 相等的 类型 测试
依赖 在 这 情况。
什么时候 应该 我们 使用 这 测试 将要 是 讨论 下一个。
这些 测试 是 非常 重要的 在 行业，
尤其 在 这 生物技术 和 制药 行业。
这里 是 一些 例如，
如果 这 目标 是 到 展示 那 这 新的 治疗
做 不是 不同 显著地 从 这 标准 一
经过 更多的 比 一些 小的 利润， 然后 相等的 测试 应该 是 用过的。
为了 例子， a 通用的 药品 那 是 较少的 昂贵的
和 原因 很少 边 效果 比 a 受欢迎的 姓名 品牌 药品。
你 会 喜欢 到 证明 它 有 相同的 功效 作为 这 姓名 品牌 一。
这 典型的 目标 在 非劣效性 测试 是 到 结论
那 a 新的 治疗 或者 过程
是 不是 显著地 更糟 比 这 标准 一。
为了 例子， a 新的 制造业 过程 是 快点。
你 会 制作 当然 它 创建 不 更多的 产品 缺陷 比 这 标准 过程。
A 优势 测试 尝试 到 证明
那 这 新的 治疗 是 实质上 更好的 比 这 标准 一。
为了 例子， a 新的 肥料 有 到过 发达 和 一些 改进。
这 研究 想要 到 展示
那 这 新的 肥料 是 更好的 比 这 当前的 肥料。
如何 到 放 向上 这 假设。
这 图形 在 这 左边，
总结 这些 五 不同的 类型 的 相等的 类型 测试 非常 很好。
这 图形 是 创建 经过 SAS 统计 大学， 约翰 卡斯特洛 和 唐娜 瓦特。
你 能 寻找 他们的 白色的 纸 容易地 在 这 网络。
选择 哪个 测试 依赖 在 这 情况。
为了 每个 的 这 情况，
这 蓝色的 地区 是 这 地区 那 你 是 尝试 到 建立 和 这 测试。
为了 相等的 分析， 你 能 构造 一个 等价 地区
和 上 边界 西塔 零 加 三角洲 和 降低 边界 西塔 零 减 三角洲。
你 能 执行 一个 等价 测试 经过 检查
无论 这 信心 间隔 的 西塔
谎言 完全 在 这 蓝色的 等价 地区。
同样地， 你 能 执行 a 非劣效性 测试 经过 检查
无论 这 信心 间隔 的 西塔
谎言 完全 多于 这 降低 边界 如果 大的 西塔 是 更好的，
或者 以下 这 上 边界 如果 更小 西塔 是 更好的。
这些 测试 是 可用的 在 一 方式 为了 比较 普通的 方法
和 应急情况下 为了 比较 回复 率。
这 图形 用户 界面 的 等价 测试 发射 对话
使 它 简单的 为了 你 到 寻找 这 类型 的 测试
那 对应 到 什么 你 是 尝试 到 建立。
A [听不清 00:12:00] 在 这 报告 总结 这 比较 非常 很好
和 使 它 简单的 为了 你 到 解释 这 结果。
下一个， 我是 去 到 证明 等价 測試。
我是 去 到 使用 这 数据 放 称为 药品 测量。
那 是 在JMP中 样本 数据 作为 我的 第一的 例子。
十二 不同的 主题 是 给定 三 不同的 药物 一个， B 和 C.
和 三十二 连续的 测量 是 集。
我们 去 到 西塔 YX，
和 我们 加载 这 回复 和 治療。
这 将要 带来 这 一 方式 分析。
在下面 这 红色的 三角形 寻找 这 等价 测试。
那里 是 二 选项 方法 和 标准 偏差。
我们 是 去 到 重点 在 方法 在 这 讲话。
我们 带来 这 对话 和 你 能 选择 a 测试 那 你 会 喜欢 到 执行
和 这 图形 将要 代表 这 已选择 测试。
为了 这 优势 或者 非劣效性 测试 那里 是 二 场景。
大的 不同之处 是 更好的 或者 更小 不同之处 是 更好的。
选择 选项 依赖 在 这 情况。
你 还 需要 到 指定 这 利润 这里 为了 这 三角洲。
你 需要 到 指定 这 意义 等级 阿尔法 作为 出色地。
你 能 选择 使用 各方 方差 或者 不等 方差 到 跑步 这 测试。
你 能 做 全部 一对 明智的 比较
或者 你 能 做 a 比较 和 这 控制 团体。
是 去 到 跑步 一个 等价 测试 第一的
和 我们 将要 指定 这 三 作为 利润 为了 这 不同之处。
我们 点击 这 好的 按钮。
这里 是 这 结果 的 这 等价 测试。
从 这 森林图 你 能 看 那
这 信心 间隔 为了 这 主要的 不同之处 之间 药品 A 和 药品 C
是 完全地 包含 在 这 蓝色的 等价 地区。
这 最大限度 P 值 是 零 较少的 比 .05。
我们 能 结论 到 这 .o5 意义 等级。
药品 A 和 药品 C 是 相等的。
但 如果 我们 看 在 药品 A 和 B, 药品 B 和 C
我们 能 看 他们的 信心 间隔 的 这 主要的 不同之处
是 两个都 超过 这 蓝色的 地区。
在 这 .05 意义 等级
我们 不能 结论 那 药品 A 和 B 或者 药品 B 和 C 是 相等的。
认为 药品 C 是 我们的 标准 药品 和 我们 会 喜欢 到 寻找 出去
如果 这 测量 的 药品 A 或者 B 是 很多 更好的 比 药品 C.
我们 能 跑步 a 优势 测试 到 证明。
让 我 关闭 这 大纲 笔记 第一的 和 我们 带来 这 发射 对话 再次。
这 时间 是 去 到 做 a 优势 测试。
为了 这 测试 我们 相信 大的 不同之处 是 更好的。
这里 我们 保持 这 选择。
A 伊索 为了 这 学习 我们 想 到 放 药品 C 作为 我们的 控制 团体。
我们 插头 在 这 三角洲， 这 利润 .04 为了 这 案件 点击 好的 按钮。
这里 是 这 结果 为了 优势 测试。
从 这 森林 阴谋 你 能 容易地 看 那 这 信心 间隔
的 意思是 不同之处 之间 药品 B 和 C
是 完全地 包含 在 这 优越的 地区
和 这 P 值 是 较少的 比 .05 .
我们 结论 那 药品 B 是 优越的 到 药品 C.
这 信心 间隔 的 意思是 不同之处
之间 药品 A 和 C 是 超过 这 蓝色的 地区。
这 P 值 这里 是 很多 大 比 .05 .
我们 结论 在 这 .05 意义 等级
我们 不能 结论 那 药品 A 是 优越的 到 药品 C.
这 总结 我的 第一的 例子。
现在 我是 去 到 使用 a 第二 例子
到 使用 这 相对的 风险 之间 二 比例
到 展示 你 如何 到 执行 a 非劣效性 测试。
带来 这 数据 桌子。
这 审判 是 尝试 到 比较 a 药品
称为 菲达克斯 作为 选择 到 药品 万科 为了 这 治疗 的 冒号 感染。
两个都 药物 有 相似的 效率 和 安全。
221 出去 的 224 患者 对待 和 菲达克斯
已实现 临床 治愈 这 结尾 的 学习。
比较 到 223 出去 的 257 患者 治疗 和 万科。
是 去 到 发射 铁钇 经过 X 再次。
和 放 我们的 回复 和 a 治疗 多变的 和 帐户 将要 是 频率。
自从 这 回复 多变的 是 绝对的。
应急措施 分析 是 制作
和 全部 这 测试 这里 是 基于 在 古典 假设 测试。
这 P 值 建议 我们 那 我们 不能 结论
那 临床 Q 是 不同的 穿过 这 药品。
但 为了 这 学习 我们 真的 想 到 寻找 出去
如果 药品 菲达克斯 是 不是 下 到 药品 万科。
我们 去 到 红色的 三角形 菜单， 寻找 相等的 测试。
那里 是 风险 不同之处 和 相对的 风险。
我们 是 去 到 选择 相对的 风险 到 做 这 案件。
在 这 发射 对话 我们 选择 非劣效性 测试
和 这 大的 比率 是 首选 经过 我们 为了 这 学习。
我们 还 需要 到 寻找 这 类别 兴趣。
为了 这 学习 我们 选择 是的 作为 a 类别 的 兴趣
和 我们 还 需要 到 插头 在 我们的 比率 利润 这里。
我们 指定 零 .09。
我们 点击 好的 按钮 和 这里 是 这 结果 的 非劣效性 测试。
从 这 森林 阴谋 你 能 容易地 看 那
这 信心 间隔 为了 这 相对的 风险 之间 药品 FIDAX 和 药品 万科
是 完全的 包含 在 这 并不逊色 地区。
我们 结论 在 这 .05 意义 等级，
药品 菲达克斯 是 不是 下 到 药品 万科。
这 总结 我的 讲话 和 I 将要 给 它 后退 到 标记。
感谢 你 JainFeng.
我是 去 到 现在 讲话 关于 a 非常 常见的 程序 称为 方法 比较。
它是 a 标准 实践 每当 新的 测量 是 存在 发达。
我们 有 到 认为 那 那里 是 a 标准 方法 那 存在 已经
到 措施 这 等级 的 一些 数量。
也许 它是 这 温度 或者 这 效力 的 a 药品。
一个新的 方法 有 到过 发达 为了 一些 原因。
我们 想 到 制作 当然 那 它是 表现 是 可比 到 这 标准 方法。
今天 那里 是 许多 标准 那 有 到过 发达
超过 许多 年 经过 各种各样的 组织 到 制作 当然 那 这 是 完毕 适当地。
什么 我们 会 希望 是 那 这 新的 测试 方法
理想情况下 返回 这 相同的 价值 作为 这 标准 方法。
散点图 阴谋 的 这 测试 方法 相对 这 标准 方法
会 展示 那 这 数据 同意 和 这 身份 线 Y=X .
但 的 课程 这 数据 点 惯于 完美 同意
因为 的 测量 错误
在 两个都 这 标准 方法 和 这 新的 测试 方法。
回归 分析 能 决定 这 最好的 合身 线 为了 这 数据
和 这 估计的 模型 参数 能 是 比较的 到 那 身份 线。
这 结束 向上 存在 声明 在 这 二 假设 作为 如下。
这 无效的 假设
说 那 他们是 不是 可比 和 所以 其他 方式 的 说 那 是
这 截距 是 不是 零 和 这 坡 是 不是 一。
这 选择
代表 我们的 宣称 那 这 新的 方法 是 可比
和 所以 我们 会 预计 这 截距 到 是 零 和 这 坡 到 是 一。
出色地 比较 经过 使用 回归 和 普通的 最小二乘法 回归
假设 a 很少 不同的 事物。
它 假设 那 Y 和 X 是 线性地 有关的。
它 假设 那 那里 是 统计 错误 在 Y 但 不是 在 十。
这些 统计 错误 是 独立的 的 和， 那 是， 他们是 持续的 为了 全部 和。
有 不 数据 那 发挥 过多的 影响 在 这 估计。
但 在 这 案件 的 a 方法 比较，
这 数据 经常 违反 一 或者 更多的 的 这些 假设。
那里 是 测量 错误 在 这 标准 方法 作为 出色地。
还， 这 错误 是 不是 总是 持续的，
在 哪个 案件 我们 可能 观察 那 这 系数 的 变化 是 持续的。
那 是， 这 错误 是 比例， 但 这 标准 偏差 是 不是 持续的。
最后， 那里 是 经常 异常值 展示
那 能 强烈 影响 这 估计 的 这些 参数。
其他 回归 方法 能 帮助。
戴明 回归 将要 同时地 最小化
这 至少 平方 错误 在 两个都 Y 和 X
和 传球-B 阿布洛克 回归 是 a 非参数 方法。
它是 基于 在 这 中位数 的 全部 可能的 成对 连续下坡
和 因为 的 那 它是 抵抗的 到 异常值 和 非 持续的 错误。
这 戴明 回归 是 可用的 在 跳转
通过 这 双变量 平台 使用 这 合身 正交 命令。
戴明 回归 能 估计 这 回归 一些 方式。
它 能 估计 这 错误 在 两个都 Y 和 X，
或者 它 能 认为 那 这 错误 在 Y 和 X 是 平等的，
或者 它 能 使用 a 给定 比率 的 错误 的 Y 到 十。
通过 巴布洛 k 是 现在 可用的 在 跳转 17，
再次 通过 这 双变量 平台 使用 这 合身 通过 巴布洛克 命令。
它 还 包括 检查 为了 这 假设 那
这 测量 是 高度 积极地 相关
和 展览 a 线性 关系。
有 还 a 比较 经过 不同之处。
这 之中- 奥特曼 分析 比较
这 成对 差异 到 这 成对 方法
到 评估 这 偏见 之间 这些 二 测量。
这 结果 是 呈现 在 a 分散 阴谋 的 Y 相对 X 为了 你的 考试
和 还 到 看 如果 那里 是 任何 异常 在 这 差异。
这 是 全部 假如 通过 这 匹配 对子 平台 沿着 和
一些 假设 測試。
患病的 现在 证明 这些 特征。
我是 去 到 展示 你 戴明 回归 为了 完整性
那是 实际上 到过 可用的 在 跳转 为了 许多 年。
我是 去 到 使用 a 数据 桌子 哪个 有 测量 为了 20 样品
经过 这 标准 方法 和 然后 四 不同的 测试 方法。
我是 只是 去 到 使用 方法 1.
I 开始 这 经过 选择 这 分析 菜单 放 Y 经过 十。
这 标准 去 在 这 X 卷， 尽管 这 方法 一 去 在 这 Y 卷。
这里 我们 有 这 分散 阴谋 到 开始 和。
患病的 点击 这 红色的 三角形 和 选择 合身 正交
和 你 能 看 这 不同的 选择 I 提及 只是 a 片刻 前。
我是 去 到 有 跳转 估计 这 错误 在 Y 和 十。
有 a 最好的 合身 线 使用 戴明 回归 沿着 和
信息 关于 那。
我们 能 看 那 我们的 截距 为了 这 估计的 线 是 关闭 到 零，
我们的 坡 是 关闭 到 一， 和 在 事实 我们的 信心 间隔 包括 一。
现在 我是 去 到 展示 你 通过 坏的 堵塞。
I 返回 到 这 相同的 红色的 三角形，
选择 合身 通过 不是 堵塞，
和 a 新的 已安装 线 是 额外 到 我的 分散 阴谋。
它 看起来 非常 很多 喜欢 这 结果 从 这 戴明 回归。
但 记住 那 通过 不是 堵塞
是 抵抗的 到 异常值 或者 非常量 方差。
第一的 我们 有 肯德尔的 测试 那 是 告诉 我们 关于 这 相关性。
积极的 相关性 是 统计上 重要的。
我们 然后 有 a 测试， a 查看 为了 线性，
和 我们 有 a 高的 P- 价值 这里 指示 我们 不能 拒绝 线性。
最后 我们 有 这 回归 结果。
I 看 那 I 有 一个 截距 关闭 到 一， 但 这 间隔 包括 零，
所以 I 不能 拒绝 零。
这 坡 是 关闭 到 一。
我的 间隔 包括 一， 所以 I 不能 拒绝 那 这 坡 是 一。
最后， 使用 通过 不是 堵塞 这 曲线 菜单，
患病的 点击 这 红色的 三角形 和 选择 之中- 奥特曼 分析。
这 发射 这 匹配 对子 平台， 所以 它是 a 分离 窗户。
这里 我们 是 寻找 在 这 成对 差异
之间 方法 一 和 这 标准
相对 这 意思是 的 那些 二 值。
是 使用 这 到 评估 a 偏见。
这 之中- 奥特曼 分析 据报道 在 这 底部。
这 偏见 是 这 平均的 不同之处。
我们 希望 那 它是 零。
这 估计 是 不是 确切地 零，
但 我们 能 看 那 这 信心 间隔 包括 零，
所以 我们 会 不是 拒绝 零。
我们 还 然后 有 降低 限制 的 协议，
和 我们 看 那 他们 还 包括 零 作为 出色地。
这 标准 方法 那 是 用过的
什么时候 比较 二 测量 方法 是 现在 可用的 在 跳转 17.
那 总结 我们的 推介会。
感谢 你 为了 观看。
