你好。 我的 姓名 是 標記 貝利。
我是 a 進階的 分析 軟體 測試員 在 跳轉。
我的同事 今天 是 蓋夫 一 丁，
a 進階的 研究 統計員 開發人員。
我是 去 到 開始 這 推介會
關於 一些 新的 方法 到 比較 那 將要 是 可用的 在 跳轉 17.
我是 去 到 開始 超過。 I 不 知道 為什麼。
你好。 我的 姓名 是 標記 貝利。
我是 a 進階的 分析 軟體 測試員 在 跳轉。
我的 聯合主持人 今天 是 Jianfeng 丁，
a 進階的 研究 統計員 和 開發人員。
我是 去 到 開始 和 一個 介紹 到 我們的 話題。
前 我們 演講 關於 具體的 比較，
我們會 喜歡 到 介紹 一些 基本的 概念。
全部 的 這 有 到 做 什麼時候 是 比較 人口。
比較 人口 是 a 非常 常見的 任務。
這 比較， 我們 希望， 將要 帶領 到 a 決定 之間 二 假設。
範例 從 這些 人口 是 常 集 為了 這 比較。
S 統計 推理 能 提供 一些 有價值的 資訊 關於 我們的 樣品。
在 特別的，
是 那裡 充足的 證據 到 拒絕 一 假設 關於 這些 人口。
清晰 陳述 的 這 假設 是
真的 基本的 到 製作 這 正確的 選擇 的 a 測試 為了 你的 比較。
這些 假設 代表 二 相互 獨家的 想法
那 一起 包括 這 僅有的 可能性。
他們是 稱為 這 選擇 和 無效的 假設。
這 選擇 假設
是 真的 a 陳述 關於 這 結論 那 我們 想 到 宣稱。
它 服務 到 代表 這 人口 和 它 將要 要求 充足的 證據
到 推翻 這 其他 假設， 哪個 是 這 無效的 假設。
它 州 這 反對 結論 那 必須 是 克服 和 強的 證據。
它 服務 作為 a 參考 為了 比較 和 它是 假定 到 是 真的。
這 是 重要的 那 我們 種類 這 出去 今天 因為 從歷史上看，
統計 訓練 有 呈現 僅有的 一 方式 的 使用 這些 假設。
這 最多 常 教 統計 測試
是 用過的 到 證明 a 不同之處 之間 這 人口。
但 那是 不是 這 僅有的 可能性。
這 缺少 的 理解 關於 這 差別
能 帶領 到 濫用 這些 測試。
這 選擇 的 a 測試 是 不是 a 事 的 這 數據 那是 集
或者 如何 這 數據 是 集。
它是 嚴格 a 事 的 這 聲明 假設
為了 這 目的 的 你的 比較。
讓我們 看 在 二 相似的 範例 那 是 實際上 從根本上來說 不同的。
但 讓我們 開始 出去 在哪裡 我們 有 a 目的 的 示範 a 不同之處。
在 這 例子， 讓我們 說 I 會 喜歡 到 證明 那 a 改變 在 溫度
將要 原因 a 新的 結果， 一個 改進 也許。
我們 想 到 宣稱 那 a 新的 等級
的 我們的 回覆 將要 結果 從 改變 這 過程 溫度。
出色地 使用 a 設計 實驗 到 隨機 樣本 從 a 人口
為了 這 低的 溫度 狀態 和 這 高的 溫度 狀態.
這 二 假設 是 這 無效的 州
那 這 溫度 做 不是 影響 這 結果。
這 將要 是 我們的 參考。
這 選擇 州 我們的 宣稱，
哪個 是 這 溫度 影響 這 結果，
但 僅有的 如果 這 證據 是 強的 足夠的 到 拒絕 這 無效的 假設。
全部 正確的， 這 是 去 到 聲音 非常 相似的， 但 它是 確切地 這 對面的。
在 這 案件， 一個 例子 二， 我們 需要 到 證明 等價物。
這裡 我們 想 到 證明
那 a 溫度 改變 母鹿 不是 原因 a 新的 結果。
那 是， 後 這 改變， 我們 有 這 相同的 結果。
為了 例子， 這 可能 是 這 案件 在哪裡
我們 是 規劃 到 改變 這 過程 溫度
到 提升 這 屈服，
但 我們 想 到 製作 當然 那 它 沒有 改變
這 等級 的 一個 雜質 在 我們的 產品。
我們 設計 這 相同的 實驗 到 收集 這 相同的 數據
和 我們 有 這 相同的 二 假設， 但 現在 他們是 逆轉。
它是 這 無效的 那 州 那 這 溫度 影響 這 結果，
那 是， 有 a 不同之處，
儘管 這 選擇 州
那 我們的 改變 在 溫度 將要 不是 影響 這 結果。
是 我們 測試 為了 a 不同之處 或者 為了 等價物？
真的 我們 看 那 從 這些 範例
那 它是 不是 這 數據， 這 數據 完全相同的， 但 這 測試 是 不同的。
這 選擇 是 不是 關於 這 數據，
它是 關於 我們的 宣稱， 或者 在 其他 字， 如何 我們 狀態 我們的 假設。
也 記住 那 假設 測試 是 單向。
他們 服務 僅有的 到 拒絕 a 無效的 假設
的 a 高的 可能性 什麼時候 它是 錯誤的。
在 我們的 推介會 今天，
我們會 喜歡 到 介紹 一些 新的 等價物 測試 作為 出色地 作為 一些
額外的 方法 那 是 用過的 什麼時候 比較 二 測量 系統。
我是 現在 去 到 手 它 超過 到 Jianfe 的 到 演講 關於 等價 測試。
謝謝 標記。
你好。
我是 Jianfeng Ding .
我是 a 研究 統計員 開發者 在 跳轉。
在 這 影片 我是 去 到 演講 關於 這 等價，
非劣效性 和 優勢 測試 在 跳轉 17.
這 古典 假設 測試 在 這 左邊
是 這 測試 那 最多 品質 專業人士 是 熟悉的 和。
它 是 常 用過的 到 比較 二 或者 更多的 群組 的 數據
到 決定 無論 他們 是 統計上 不同的。
這 參數 數據 能 是 a 意思是 回覆
為了 連續的 結果 和 a 部分 什麼時候 這 結果 多變的 是 二進制。
西塔 t 代表 這 回覆 從 治療 團體
和 西塔 零 代表 回覆 從 a 控制 團體。
那裡 是 三 類型 的 這 經典的 假設 測試。
這 第一的 一 是 這 二 雙面 測試 和 這 休息 是 一 雙面 測試。
如果 你 是 尋找 在 這 二 邊 測試 在 這 左邊，
這 不 假設 是 那 這 治療 方法 是 相同的
和 這 選擇 假設 是 那 這 治療 方法 是 不同的。
有時 我們 真的 需要 到 建立 那 事物 是 實質上 這 相同的
和 這 機械 到 做 那 是 稱為 一個 等價 測試。
一個 相等的 測試 是 到 展示 這 不同之處 在 西塔 t 和 西塔 零
是 之內 a 預先指定的 利潤 三角洲
和 允許 我們 到 結論 這 等價 和 a 指定的 信心 等級。
如果 你 看 在 這 等價 測試， 這 不 假設 是 那
這 對待 陳述 方法 是 不同的 和 這 選擇 假設 是 那
這 治療 方法 是 之內 a 固定的 三角洲 的 一 其他。
這 是 不同的 從 這 二 雙面 假設 測試 在 這 左邊。
其他 選擇 測試 設想 是 這 非劣效性 測試，
哪個 目標 到 證明 那 結果 是 不是 實質上 更糟。
那裡 是 也 a 測試 設想 稱為 優勢 測試，
那 是 相似的 到 非劣效性 測試，
除了 那 這 目標 是 到 證明 那 結果 是 實質上 更好的。
那裡 是 五 不同的 類型 的 相等的 類型 測試
依賴 在 這 情況。
什麼時候 應該 我們 使用 這 測試 將要 是 討論 下一個。
這些 測試 是 非常 重要的 在 行業，
尤其 在 這 生物技術 和 製藥 行業。
這裡 是 一些 例如，
如果 這 目標 是 到 展示 那 這 新的 治療
做 不是 不同 顯著地 從 這 標準 一
經過 更多的 比 一些 小的 利潤， 然後 相等的 測試 應該 是 用過的。
為了 例子， a 通用的 藥物 那 是 較少的 昂貴的
和 原因 很少 邊 效果 比 a 受歡迎的 姓名 品牌 藥物.
你 會 喜歡 到 證明 它 有 相同的 功效 作為 這 姓名 品牌 一。
這 典型的 目標 在 非劣效性 測試 是 到 結論
那 a 新的 治療 或者 過程
是 不是 顯著地 更糟 比 這 標準 一。
為了 例子， a 新的 製造業 過程 是 快點。
你 會 製作 當然 它 創建 不 更多的 產品 缺陷 比 這 標準 過程。
A 優勢 測試 嘗試 到 證明
那 這 新的 治療 是 實質上 更好的 比 這 標準 一。
為了 例子， a 新的 肥料 有 到過 發達 和 一些 改進。
這 研究 想要 到 展示
那 這 新的 肥料 是 更好的 比 這 目前的 肥料。
如何 到 放 向上 這 假設。
這 圖形 在 這 左邊，
總結 這些 五 不同的 類型 的 相等的 類型 測試 非常 很好。
這 圖形 是 創建 經過 SAS 統計 大學， 約翰 卡斯特洛 和 唐娜 瓦特。
你 能 尋找 他們的 白色的 紙 容易地 在 這 網路。
選擇 哪個 測試 依賴 在 這 情況。
為了 每個 的 這 情況，
這 藍色的 地區 是 這 地區 那 你 是 嘗試 到 建立 和 這 測試。
為了 相等的 分析， 你 能 構造 一個 等價 地區
和 上 邊界 西塔 零 加 三角洲 和 降低 邊界 西塔 零 減 三角洲。
你 能 執行 一個 等價 測試 經過 檢查
無論 這 信心 間隔 的 西塔
謊言 完全 在 這 藍色的 等價 地區。
同樣地， 你 能 執行 a 非劣效性 測試 經過 檢查
無論 這 信心 間隔 的 西塔
謊言 完全 多於 這 降低 邊界 如果 大的 西塔 是 更好的，
或者 以下 這 上 邊界 如果 更小 西塔 是 更好的。
這些 測試 是 可用的 在 一 方式 為了 比較 普通的 方法
和 緊急情況下 為了 比較 回覆 率。
這 圖形 使用者 介面 的 等價 測試 發射 對話
使 它 簡單的 為了 你 到 尋找 這 類型 的 測試
那 對應 到 什麼 你 是 嘗試 到 建立。
A [聽不清楚 00:12:00] 在 這 報告 總結 這 比較 非常 很好
和 使 它 簡單的 為了 你 到 解釋 這 結果。
下一個， 我是 去 到 證明 等價 測試。
我是 去 到 使用 這 數據 放 稱為 藥物 測量。
那 是 在JMP中 樣本 數據 作為 我的 第一的 例子。
十二 不同的 主題 是 給定 三 不同的 藥物 一個， B 和 C.
和 三十二 連續的 測量 是 集。
我們 去 到 西塔 YX，
和 我們 載入 這 回覆 和 治療。
這 將要 帶來 這 一 方式 分析。
在下面 這 紅色的 三角形 尋找 這 等價 測試。
那裡 是 二 選項 方法 和 標準 偏差。
我們 是 去 到 重點 在 方法 在 這 講話。
我們 帶來 這 對話 和 你 能 選擇 a 測試 那 你 會 喜歡 到 執行
和 這 圖形 將要 代表 這 已選擇 測試。
為了 這 優勢 或者 非劣效性 測試 那裡 是 二 場景。
大的 不同之處 是 更好的 或者 更小 不同之處 是 更好的。
選擇 選項 依賴 在 這 情況。
你 也 需要 到 指定 這 利潤 這裡 為了 這 三角洲。
你 需要 到 指定 這 意義 等級 阿爾法 作為 出色地。
你 能 選擇 使用 各方 變異數 或者 不等 變異數 到 跑步 這 測試。
你 能 做 全部 一對 明智的 比較
或者 你 能 做 a 比較 和 這 控制 團體。
是 去 到 跑步 一個 等價 測試 第一的
和 我們 將要 指定 這 三 作為 利潤 為了 這 不同之處。
我們 點選 這 好的 按鈕。
這裡 是 這 結果 的 這 等價 測試。
從 這 森林圖 你 能 看 那
這 信心 間隔 為了 這 主要的 不同之處 之間 藥物 A 和 藥物 C
是 完全地 包含 在 這 藍色的 等價 地區。
這 最大限度 P 值 是 零 較少的 比 .05。
我們 能 結論 到 這 .o5 意義 等級。
藥物 A 和 藥物 C 是 相等的。
但 如果 我們 看 在 藥物 A 和 B, 藥物 B 和 C
我們 能 看 他們的 信心 間隔 的 這 主要的 不同之處
是 兩個都 超過 這 藍色的 地區。
在 這 .05 意義 等級
我們 不能 結論 那 藥物 A 和 B 或者 藥物 B 和 C 是 相等的。
認為 藥物 C 是 我們的 標準 藥物 和 我們 會 喜歡 到 尋找 出去
如果 這 測量 的 藥物 A 或者 B 是 很多 更好的 比 藥物 C.
我們 能 跑步 a 優勢 測試 到 證明。
讓 我 關閉 這 大綱 筆記 第一的 和 我們 帶來 這 發射 對話 再次。
這 時間 是 去 到 做 a 優勢 測試。
為了 這 測試 我們 相信 大的 不同之處 是 更好的。
這裡 我們 保持 這 選擇。
A 伊索 為了 這 學習 我們 想 到 放 藥物 C 作為 我們的 控制 團體。
我們 插頭 在 這 三角洲， 這 利潤 .04 為了 這 案件 點選 好的 按鈕。
這裡 是 這 結果 為了 優勢 測試。
從 這 森林 陰謀 你 能 容易地 看 那 這 信心 間隔
的 意思是 不同之處 之間 藥物 B 和 C
是 完全地 包含 在 這 優越的 地區
和 這 P 值 是 較少的 比 .05 .
我們 結論 那 藥物 B 是 優越的 到 藥物 C.
這 信心 間隔 的 意思是 不同之處
之間 藥物 A 和 C 是 超過 這 藍色的 地區。
這 P 值 這裡 是 很多 大 比 .05 .
我們 結論 在 這 .05 意義 等級
我們 不能 結論 那 藥物 A 是 優越的 到 藥物 C.
這 總結 我的 第一的 例子。
現在 我是 去 到 使用 a 第二 例子
到 使用 這 相對的 風險 之間 二 比例
到 展示 你 如何 到 執行 a 非劣效性 測試。
帶來 這 數據 桌子。
這 審判 是 嘗試 到 比較 a 藥物
稱為 菲達克斯 作為 選擇 到 藥物 萬科 為了 這 治療 的 冒號 感染。
兩個都 藥物 有 相似的 效率 和 安全。
221 出去 的 224 患者 對待 和 菲達克斯
已實現 臨床 治癒 這 結尾 的 學習。
比較 到 223 出去 的 257 患者 治療 和 萬科。
是 去 到 發射 鐵釔 經過 X 再次。
和 放 我們的 回覆 和 a 治療 多變的 和 帳戶 將要 是 頻率。
自從 這 回覆 多變的 是 絕對的。
緊急措施 分析 是 製作
和 全部 這 測試 這裡 是 基於 在 古典 假設 測試。
這 P 值 建議 我們 那 我們 不能 結論
那 臨床 Q 是 不同的 穿過 這 藥物.
但 為了 這 學習 我們 真的 想 到 尋找 出去
如果 藥物 菲達克斯 是 不是 下 到 藥物 萬科。
我們 去 到 紅色的 三角形 選單， 尋找 相等的 測試。
那裡 是 風險 不同之處 和 相對的 風險。
我們 是 去 到 選擇 相對的 風險 到 做 這 案件。
在 這 發射 對話 我們 選擇 非劣效性 測試
和 這 大的 比率 是 首選 經過 我們 為了 這 學習。
我們 也 需要 到 尋找 這 類別 興趣。
為了 這 學習 我們 選擇 是的 作為 a 類別 的 興趣
和 我們 也 需要 到 插頭 在 我們的 比率 利潤 這裡。
我們 指定 零 .09。
我們 點選 好的 按鈕 和 這裡 是 這 結果 的 非劣效性 測試。
從 這 森林 陰謀 你 能 容易地 看 那
這 信心 間隔 為了 這 相對的 風險 之間 藥物 FIDAX 和 藥物 萬科
是 完全的 包含 在 這 並不遜色 地區。
我們 結論 在 這 .05 意義 等級，
藥物 菲達克斯 是 不是 下 到 藥物 萬科。
這 總結 我的 演講 和 I 將要 給 它 後退 到 標記。
感謝 你 JainFeng.
我是 去 到 現在 演講 關於 a 非常 常見的 程式 稱為 方法 比較。
它是 a 標準 實踐 每當 新的 測量 是 存在 發達。
我們 有 到 認為 那 那裡 是 a 標準 方法 那 存在 已經
到 措施 這 等級 的 一些 數量。
也許 它是 這 溫度 或者 這 效力 的 a 藥物.
一個新的 方法 有 到過 發達 為了 一些 原因。
我們 想 到 製作 當然 那 它是 表現 是 可比 到 這 標準 方法。
今天 那裡 是 許多 標準 那 有 到過 發達
超過 許多 年 經過 各種各樣的 組織 到 製作 當然 那 這 是 完畢 適當地。
什麼 我們 會 希望 是 那 這 新的 測試 方法
理想情況下 返回 這 相同的 價值 作為 這 標準 方法。
散點圖 陰謀 的 這 測試 方法 相對 這 標準 方法
會 展示 那 這 數據 同意 和 這 身分 線 Y=X .
但 的 課程 這 數據 點 慣於 完美 同意
因為 的 測量 錯誤
在 兩個都 這 標準 方法 和 這 新的 測試 方法。
回歸 分析 能 決定 這 最好的 合身 線 為了 這 數據
和 這 估計的 模型 參數 能 是 比較的 到 那 身分 線。
這 結束 向上 存在 聲明 在 這 二 假設 作為 如下。
這 無效的 假設
說 那 他們是 不是 可比 和 所以 其他 方式 的 說 那 是
這 截距 是 不是 零 和 這 坡 是 不是 一。
這 選擇
代表 我們的 宣稱 那 這 新的 方法 是 可比
和 所以 我們 會 預計 這 截距 到 是 零 和 這 坡 到 是 一。
出色地 比較 經過 使用 回歸 和 普通的 最小平方法 回歸
假設 a 很少 不同的 事物。
它 假設 那 Y 和 X 是 線性地 有關的。
它 假設 那 那裡 是 統計 錯誤 在 Y 但 不是 在 十。
這些 統計 錯誤 是 獨立的 的 和， 那 是， 他們是 持續的 為了 全部 和。
有 不 數據 那 發揮 過多的 影響 在 這 估計。
但 在 這 案件 的 a 方法 比較，
這 數據 常 違反 一 或者 更多的 的 這些 假設。
那裡 是 測量 錯誤 在 這 標準 方法 作為 出色地。
也, 這 錯誤 是 不是 總是 持續的，
在 哪個 案件 我們 可能 觀察 那 這 係數 的 變化 是 持續的。
那 是， 這 錯誤 是 比例， 但 這 標準 偏差 是 不是 持續的。
最後， 那裡 是 常 異常值 展示
那 能 強烈 影響 這 估計 的 這些 參數。
其他 回歸 方法 能 幫助。
戴明 回歸 將要 同時地 最小化
這 至少 平方 錯誤 在 兩個都 Y 和 X
和 傳球-B 阿布洛克 回歸 是 a 非參數 方法。
它是 基於 在 這 中位數 的 全部 可能的 成對 連續下坡
和 因為 的 那 它是 抵抗的 到 異常值 和 非 持續的 錯誤。
這 戴明 回歸 是 可用的 在 跳轉
透過 這 雙變數 平台 使用 這 合身 正交 命令。
戴明 回歸 能 估計 這 回歸 一些 方式。
它 能 估計 這 錯誤 在 兩個都 Y 和 X，
或者 它 能 認為 那 這 錯誤 在 Y 和 X 是 平等的，
或者 它 能 使用 a 給定 比率 的 錯誤 的 Y 到 十。
透過 巴布洛 k 是 現在 可用的 在 跳轉 17，
再次 透過 這 雙變數 平台 使用 這 合身 透過 巴布洛克 命令。
它 也 包括 檢查 為了 這 假設 那
這 測量 是 高度 積極地 相關
和 展覽 a 線性 關係。
有 也 a 比較 經過 不同之處。
這 之中- 奧特曼 分析 比較
這 成對 差異 到 這 成對 方法
到 評估 這 偏見 之間 這些 二 測量。
這 結果 是 呈現 在 a 分散 陰謀 的 Y 相對 X 為了 你的 考試
和 也 到 看 如果 那裡 是 任何 例外 在 這 差異。
這 是 全部 假如 透過 這 匹配 對子 平台 沿著 和
一些 假設 測試。
患病的 現在 證明 這些 特徵。
我是 去 到 展示 你 戴明 回歸 為了 完整性
那是 實際上 到過 可用的 在 跳轉 為了 許多 年。
我是 去 到 使用 a 數據 桌子 哪個 有 測量 為了 20 樣品
經過 這 標準 方法 和 然後 四 不同的 測試 方法。
我是 只是 去 到 使用 方法 1.
I 開始 這 經過 選擇 這 分析 選單 放 Y 經過 十。
這 標準 去 在 這 X 卷， 儘管 這 方法 一 去 在 這 Y 卷。
這裡 我們 有 這 分散 陰謀 到 開始 和。
患病的 點選 這 紅色的 三角形 和 選擇 合身 正交
和 你 能 看 這 不同的 選擇 I 提及 只是 a 片刻 前。
我是 去 到 有 跳轉 估計 這 錯誤 在 Y 和 十。
有 a 最好的 合身 線 使用 戴明 回歸 沿著 和
資訊 關於 那。
我們 能 看 那 我們的 截距 為了 這 估計的 線 是 關閉 到 零，
我們的 坡 是 關閉 到 一， 和 在 事實 我們的 信心 間隔 包括 一。
現在 我是 去 到 展示 你 透過 壞的 堵塞。
I 返回 到 這 相同的 紅色的 三角形，
選擇 合身 透過 不是 堵塞，
和 a 新的 已安裝 線 是 額外 到 我的 分散 陰謀。
它 看起來 非常 很多 喜歡 這 結果 從 這 戴明 回歸。
但 記住 那 透過 不是 堵塞
是 抵抗的 到 異常值 或者 非常量 方差。
第一的 我們 有 肯德爾的 測試 那 是 告訴 我們 關於 這 相關性。
積極的 相關性 是 統計上 重要的。
我們 然後 有 a 測試， a 查看 為了 線性，
和 我們 有 a 高的 P- 價值 這裡 指示 我們 不能 拒絕 線性。
最後 我們 有 這 回歸 結果。
I 看 那 I 有 一個 截距 關閉 到 一， 但 這 間隔 包括 零，
所以 I 不能 拒絕 零。
這 坡 是 關閉 到 一。
我的 間隔 包括 一， 所以 I 不能 拒絕 那 這 坡 是 一。
最後， 使用 透過 不是 堵塞 這 曲線 選單，
患病的 點選 這 紅色的 三角形 和 選擇 之中- 奧特曼 分析。
這 發射 這 匹配 對子 平台， 所以 它是 a 分離 窗戶。
這裡 我們 是 尋找 在 這 成對 差異
之間 方法 一 和 這 標準
相對 這 意思是 的 那些 二 值。
是 使用 這 到 評估 a 偏見。
這 之中- 奧特曼 分析 據報道 在 這 底部。
這 偏見 是 這 平均的 不同之處。
我們 希望 那 它是 零。
這 估計 是 不是 確切地 零，
但 我們 能 看 那 這 信心 間隔 包括 零，
所以 我們 會 不是 拒絕 零。
我們 也 然後 有 降低 限制 的 協定,
和 我們 看 那 他們 也 包括 零 作為 出色地。
這 標準 方法 那 是 用過的
什麼時候 比較 二 測量 方法 是 現在 可用的 在 跳轉 17.
那 總結 我們的 推介會。
感謝 你 為了 觀看。
