연구 현장 내 임상 시험 대상의 유사성 평가 쓴 :
[...] 지난번의 토론에서 가능한 한 주체의 데이터를 활용하여 [...]
마이크 클레이튼 쓴 :
MV 아웃 라이어 (outliers) 및 인라 이러스 (inliers)는 종종 반도체 웨이퍼 테스트 데이터에서 검출되며, 이러한 디바이스는 후속 스트레스 테스트에서 "위험"하다고 판명 될 수 있습니다. 그들은 모두 동일한 웨이퍼에서 나온 것이므로 동일한 공정과 도구를 보았지만 작은 결함으로 인해 "비열한 회로"가 만들어져 포함될 수있었습니다.
다행스럽게도 각 웨이퍼마다 수천 개의 웨이퍼가 만들어지고 xy 좌표가 알려지며 다이가 개별화되고 패키지화 될 때까지 모든 제조 단계, SPC 및 테스트 단계를 통해 데이터가 추적됩니다. 그러나 DieID (로트 및 웨이퍼 및 xy 위치)는 2D 바코드 또는 고객 반환 문제에 대한 다른 방법으로 각 부분에 표시됩니다. 따라서 MV 분석에는 통계적으로 많은 사람들이 포함되어있어 물리적 인 문제가있는 것으로 나타났습니다. 그의 멋진 튜토리얼을 우리 컬렉션에 추가해 주셔서 감사합니다.
우리는 임상 시험에서의 사기 탐지 및 향후 몇 가지 기능에 대한 일련의 게시물이 거의 끝 나가고 있습니다. JMP 임상 4.1 비정상적인 관찰을 식별하는 데 도움이됩니다. 우리는 방법을 설명했습니다 방문 날짜 과 클리닉에서 취한 측정 임상 현장의 문제를 나타낼 수 있으며 임상 시험 참가자가 어떻게 나타날 수 있는지 논의 여러 번 동일한 연구 내에서.마지막 두 게시물에서는 가능한 한 많은 주제의 데이터를 사용하여 다른 주제와 어떻게 비교되는지 확인하는 몇 가지 방법에 중점을 둡니다.오늘은 Mahalanobis 거리 다변량 이상 값과 이상 값을 식별합니다.
Mahalanobis 거리 두 개의 임의 벡터 사이의 거리 또는 벡터에서 다변량 공간의 특정 지점 (일반적으로 다변량 평균 또는 중심)까지의 거리를 계산하는 데 사용할 수 있습니다.변수 간의 상관 관계를 설명한다는 점에서 유클리드 거리와 다릅니다. 따라서 점이 중심 주위에 구형으로 분포되지 않을 수 있다는 점을 고려합니다. Mahalanobis 거리는 계산하기가 간단합니다. SAS , 그리고 우리의 목적을 위해 우리는 주제 데이터의 벡터를 중심과 비교할 것입니다.
통계에서 우리 대부분은 "국외자." Merriam-Webster는 국외자 "다른 샘플과 가치가 현저하게 다른 통계적 관찰"이라고합니다. 상자 그림에서 특이 치는 1 사 분위 또는 3 사 분위를 넘어 사 분위 간 범위 (1 사분 위와 3 사 분위 사이의 거리)의 1.5 배를 초과하는 점으로 식별 될 수 있습니다.
반면에 "inlier" 평균에 가까운 값입니다.일 변량 설정에서 평균에 가까운 값은 눈썹을 올리지 않습니다.그러나 Evans (2001)가 지적했듯이 관측치가 많은 변수에 대한 평균 근처에 놓일 가능성은 낮습니다.따라서 이상 값은 문제가 될 수 있지만, 내부 값은 "너무 좋기 때문에 참"또는 "너무 좋기 때문에"관측 값을 나타낼 가능성이 더 높습니다. 물론 Mahalanobis 거리가 0이면 모든 변수의 평균에있는 주제를 나타냅니다.(눈에 띄지 않는 개별 값을 만드는 것보다 탐지를 벗어나는 것이 얼마나 낫습니까?)
JMP Clinical의 다가오는 다변량 이상 값 및 이상 값 분석 프로세스 (AP)는 일련의 주제에서 하나의 행으로 구성된 데이터 세트를 생성합니다. CDISC 형식화 된 데이터 세트.실험실 테스트, 활력 징후, 증상 및 기타 조사 결과 데이터에 대한 변수는 방문 번호와 시점별로 생성됩니다.부작용, 약물 및 병력 용어의 빈도를 나타내는 변수가 계산됩니다.대화 옵션을 기반으로 특정 비율의 결측 데이터 (기본값 5 %)를 초과하는 변수는 분석에서 제외됩니다. 이는 관심 변수에 대한 결측 데이터가있는 피험자는 Mahalanobis 거리를 계산할 수 없기 때문입니다. 이것은 중요한 점입니다.가능한 한 많은 데이터를 사용하는 것과 리뷰에서 너무 많은 주제를 제외 할 가능성 사이에 균형 잡힌 접근 방식을 취해야합니다.일찍 중단하는 피험자는 결 측값이 많을 것으로 예상되므로 대부분의 데이터를 고려할 때 일부 피험자를 잃을 것으로 예상됩니다.그러나 옵션을 사용하면 결 측값을 포함하는 모든 변수를 제외 할 수 있습니다.
위에서 계산 된 결과 데이터 세트는 Mahalanobis 거리를 계산하는 데 사용됩니다.그림 1은 다변량 분포의 중심과 비교 한 각 대상에 대한 거리 측정의 상자 플롯을 보여줍니다.거리 측정은 744 개의 가능한 변수 중 268 개에서 계산됩니다. 나머지 변수는 누락 된 데이터 비율이 5 %를 초과하여 분석에서 제거되었습니다.52 명의 피험자는 일부 누락 된 데이터가있는 15 개의 변수로 인해 거리 측정 값이 계산되지 않았습니다.이 수치는 이상 값 (큰 거리) 또는 내부 값 (작은 거리)을 식별 할 수 있습니다.빨간색 점선 참 조선은 카이 제곱 분포 k (분석의 변수 수) 자유도.Mahalanobis 거리의 제곱은이 분포를 따릅니다.
그림 2는 특정 사이트가 극단적인지 확인하기 위해 연구 사이트 별 Mahalanobis 거리를 보여줍니다.이것은 분석 된 변수들 사이에서 가능한 데이터 오류를 발견 할 수 있지만, 사이트 전체에 걸친 연구 모집단의 주요 차이점을 설명 할 수도 있습니다.상자 그림의 길이는 변수 대상이 다변량 평균을 중심으로 주어진 사이트 내에있는 방식을 나타냅니다.큰 변동성은 다양한 연구 모집단 또는 추가 교육의 혜택을받을 수있는 사이트를 반영 할 수 있습니다.낮은 변동성은 특히 동질적인 인구를 반영 할 수 있습니다.어떤 경우에도 "눈에 띄는"사이트는 더 많은 조사가 필요할 수 있습니다.
Evans, S. (2001). 사기 탐지의 통계적 측면.에서 : Lock, S, Wells, F & Farthing, M, eds.사기 및 위법 행위 : 생물 의학 연구, 제 3 판 .BMJ 책.
