<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Stanley Young stanyoung , PhD, CEO, CGStat LLC
Bob Obenchain, PhD, Hauptberater, Risk Benefit Statistics LLC
Goran Krstic, Fraser Health Authority
Große (Beobachtungs-) Datensätze bieten normalerweise Forschungsmöglichkeiten, aber auch Probleme, die zu falschen Behauptungen führen können. In Big Data geht der Standardfehler einer Effektschätzung mit zunehmender Stichprobengröße auf Null, sodass selbst kleine Vorurteile zu deklarierten (aber falschen) Ansprüchen führen können. Darüber hinaus kann der Durchschnitt der Behandlung nahezu bedeutungslos sein, wenn Interaktionen mit Confoundern bestehen, die zu lokalen Schwankungen der Effektgrößen führen. Data Miner benötigen statistische Methoden, die mit diesen Verzerrungsquellen einfach und effizient umgehen können. Hier demonstrieren wir die Verwendung eines JMP-Add-Ins, Moving Median und einer neuen JMP-Plattform, Local Control, zur Analyse von zwei Datensätzen. Unsere erste Fallstudie zeigt den Abbau von Vorurteilen in einem Umwelt-Epidemiologiedatensatz. Unsere zweite Studie verwendet Local Control an einem Zeitreihenbeispiel für Luftqualität. Durch das Erkennen von Interaktionen können Data Miner realistischere und relevantere Analysen erstellen, die die durch die Vielfalt und Heterogenität von Big Data verursachte Verzerrung reduzieren.
