Création d'une distribution d'échantillonnageJe souhaite créer une véritable distribution d'échantillonnage à partir de mon ensemble de données et je ne sais pas quelle(s) formule(s) utiliser dans JMP pour la créer.J'ai un ensemble de données de population de 10 000 habitants et j'aimerais créer une distribution d'échantillonnage avec n = 100, ce qui donnerait alors 100 moyennes d'échantillon.Quelle formule dois-je utiliser pour créer cela dans JMP ?
Re : Création d'une distribution d'échantillonnageMerci!! Oui, je ferai ce qui est suggéré sur l'apprentissage JSL.Re : Création d'une distribution d'échantillonnageVous trouverez ci-dessous une simple modification du script avec lequel j'ai répondu précédemment.Celui ci-dessous n’est qu’une des façons de résoudre ce problème.Si vous comptez jouer dans le monde des scripts JMP, vous devez lire le Guide de script JMP afin de pouvoir commencer à apprendre JSL.
names defalut to here( 1 );
dt = New Table( "test",
New Column( "BPN",
values(
{103.2, 100.3, 99.2, 103.6, 102.1, 100.6, 100.1, 99.6, 99, 102.6, 101.2, 97.6, 102.1,
100, 102.4, 101.7, 105.3, 103.7, 99.1, 103.1, 99.3, 99.2, 98.5, 101.7, 106.3, 97.8,
104.6, 102.9, 103.1, 101.8, 101.8, 99.9, 102, 100.6, 106.6, 100.6, 104.7, 98.4, 95.6,
103.2, 103.5, 101, 102.8, 100.5, 97, 104, 99.8, 103, 103.4, 101.6, 100.6, 101.9,
101.2, 99.7, 101.1, 101.1, 99.2, 104.9, 103.4, 106.4}
)
)
);
dtSamples = New Table( "Samples", New Column( "Sample Means" ) );
For( i = 1, i <= 10, i++, // change this line to produce as many subsets as you want
dt2 = dt << Subset( invisible, Sample Size( 3 ), Selected columns only( 0 ) );
dtSamples << add Rows( 1 );
dtSamples:Sample Means[N Rows( dtSamples )] = Col Mean( dt2:BPN );
Close( dt2, nosave );
);Re : Création d'une distribution d'échantillonnageMerci à Txnelson. La sortie du script fournit 10 échantillons aléatoires, chacun d'une taille d'échantillon de 3. Comme suggéré, on peut modifier le nombre d'échantillons requis et/ou la taille de l'échantillon. Le script est limité au rééchantillonnage (ou à un sous-ensemble aléatoire d'une taille d'échantillon de 3 à 10 fois).
En fait, j'aurais besoin d'un script capable de fournir un tableau de données avec une moyenne de taille d'échantillon 3, disposé en une seule colonne pour, disons, 10 échantillons aléatoires, que j'utiliserais davantage pour comprendre la probabilité d'observer différentes valeurs moyennes.Re : Création d'une distribution d'échantillonnageLa plate-forme Subset possède une capacité aléatoire intégrée.Vous trouverez ci-dessous un script simple qui utilise
Tables==>Sous-ensemble
pour générer un échantillon aléatoire de données avec 3 lignes.C'est dans une boucle For(), vous pouvez donc spécifier de générer autant d'échantillons aléatoires que vous le souhaitez
dt = New Table( "test",
New Column( "BPN",
values(
{103.2, 100.3, 99.2, 103.6, 102.1, 100.6, 100.1, 99.6, 99, 102.6,
101.2, 97.6, 102.1, 100, 102.4, 101.7, 105.3, 103.7, 99.1, 103.1,
99.3, 99.2, 98.5, 101.7, 106.3, 97.8, 104.6, 102.9, 103.1, 101.8,
101.8, 99.9, 102, 100.6, 106.6, 100.6, 104.7, 98.4, 95.6, 103.2,
103.5, 101, 102.8, 100.5, 97, 104, 99.8, 103, 103.4, 101.6, 100.6,
101.9, 101.2, 99.7, 101.1, 101.1, 99.2, 104.9, 103.4, 106.4}
)
)
);
For( i = 1, i <= 10, i++, // change this line to produce as many subsets as you want
dt << Subset( Sample Size( 3 ), Selected columns only( 0 ) )
);Re : Création d'une distribution d'échantillonnageSalut txnelson, Merci pour le script sur les exemples de moyens. Je suis nouveau sur JSL et j'ai besoin de votre aide pour corriger le script que j'avais essayé sur mes données. Tableau de données et script joints pour référence. Je viens de suivre (sur la base d'une compréhension limitée) le script que vous avez publié. Cependant, le tableau final observé était vierge. Veuillez suggérer..
J'aurais besoin d'un tableau final avec une moyenne de 100 échantillons, chacun de 3 échantillons, du tableau de données d'origine.
Tableau de données (Nom du tableau : BPN) Contient la valeur du contenu BPN (en %) de 60 unités/flacons individuels.
BPN
103.2
100,3
99,2
103,6
102.1
100,6
100,1
99,6
99
102,6
101.2
97,6
102.1
100
102.4
101,7
105.3
103,7
99,1
103.1
99,3
99,2
98,5
101,7
106.3
97,8
104,6
102,9
103.1
101,8
101,8
99,9
102
100,6
106,6
100,6
104,7
98,4
95,6
103.2
103,5
101
102,8
100,5
97
104
99,8
103
103.4
101,6
100,6
101,9
101.2
99,7
101.1
101.1
99,2
104,9
103.4
106.4
Script : (avec la table de données ouverte, j'ai essayé avec le script ci-dessous)
dtMeans = Nouveau tableau ( "Moyenne BPN", Nouvelle colonne ( "Échantillon" ), Nouvelle colonne ( "Moyenne de l'échantillon BPN 3" ) );
dtMeans << ajouter des lignes ( 100 );
Pour( je = 1, je <= 60, je++,
dt2 = dt << Sous-ensemble (invisible, taille de l'échantillon (3), colonnes ( : BPN ) );
dtMeans:Échantillon[i] = i;
dtMeans:BPN 3 Moyenne de l'échantillon[i] = Col Mean( dt2:BPN );
Fermer( dt2, nosave );
);
Merci!!Re : Création d'une distribution d'échantillonnageEnsuite, si vous voulez vraiment devenir fou, si vous avez accès à des transcriptions écrites d'appels (par exemple dans un fichier .txt) ET à JMP Pro... alors tout un monde d'analyse de texte et de modélisation prédictive/exploratoire est à votre portée. Avec JMP Pro, vous pouvez analyser le texte libre des conversations des agents en utilisant un simple décompte de mots/expressions allant jusqu'à l'analyse de classe latente, l'analyse de sujet et l'analyse sémantique latente pour l'exploration. À partir de là, entre la matrice de termes de document ou d'autres méthodes de réduction de dimensionnalité, il y a un petit saut vers la plate-forme de régression généralisée et les capacités de régression quantile pour modéliser le texte (ou ses substituts) pour contacter les quantiles temporels pour la médiane ou, disons, le 95e quantile. Vous avez désormais un lien entre les mots et le temps de conversation ! Et si vous avez des scores de satisfaction client par rapport à un engagement, vous pouvez également les modéliser. Voici un lien vers un événement Mastering JMP qui illustre une grande partie de ce flux de travail :
https://www.jmp.com/en_us/events/ondemand/mastering-jmp/using_text_explorer_to_extend_analysis.html
Re : Création d'une distribution d'échantillonnageOui.
Si les variances étaient inégales mais que les erreurs étaient normalement distribuées, vous pouvez alors utiliser l'ANOVA de Welch, que JMP fournit automatiquement si vous sélectionnez Variations inégales dans le menu de la plateforme Oneway (triangle rouge).
Life Distribution est le bon outil dans ce cas, pour autant que je sache.
Re : Création d'une distribution d'échantillonnageMerci, cela aide beaucoup. Cela m'aide certainement dans ce que j'essaie de faire.Une dernière question : si les variances étaient égales et que la population était normalement distribuée (ou si la taille de mon échantillon était suffisamment grande), j'aurais pu utiliser une ANOVA comme je l'ai fait dans le passé, n'est-ce pas ?Je veux juste m'assurer que je n'utilise pas le mauvais outil pour le travail.
Re : Création d'une distribution d'échantillonnageVous pouvez utiliser les profileurs de Life Distribution pour obtenir plus que la moyenne ou la médiane. Vous pouvez estimer n’importe quel quantile (temps) ou probabilité de votre choix.
Re : Création d'une distribution d'échantillonnageVous avez raison, il n'y a pas d'analogue aux choix de comparaisons multiples que l'on trouve sur la plateforme Oneway.
Le test de Wilcoxon est un indicateur omnibus de toute différence. Ce n'est pas spécifique à un paramètre comme la moyenne ou la variance. L'intrigue en haut peut cependant y aider. Les lignes parallèles ont la même variance ou échelle. Les lignes déplacées ont une moyenne ou un emplacement différent. Ainsi, si un agent répond systématiquement à ses appels plus rapidement, sa courbe se déplacerait vers la gauche.
Vous disposez également des estimations ponctuelles des paramètres et des intervalles de confiance pour chaque groupe (agent) à des fins de comparaison, bien que ces informations ne soient pas les mêmes qu'un test de comparaison multiple.
Vous pouvez également utiliser les profileurs pour extraire des informations sur chaque groupe. Ces réponses sont fournies à la fois sous forme d’estimation ponctuelle et d’estimation par intervalle.
Je ne m'excuse pas mais reconnaisse simplement que la méthodologie ici vient du domaine de l'ingénierie de la fiabilité. Les mêmes méthodes ont été découvertes indépendamment dans le domaine de la mortalité et de la morbidité médicales. La terminologie appartient donc à ces domaines mais les méthodes n’en sont pas moins pertinentes. Cela nécessite juste un peu de traduction. Parfois, cela nécessite aussi d’inverser les objectifs. En fiabilité, une fonction de risque croissante est mauvaise. Mais dans votre cas, c'est bien. Cela signifie qu’un événement a plus de chances de se produire. Mais dans votre cas, un événement n’est pas un échec, c’est un appel terminé.
Il existe des méthodes analogues pour les modèles de régression avec des données de temps jusqu'à l'événement. Donc, si vous aviez des covariables, vous pourriez les inclure dans le modèle pour la durée de vie et les tester. Il y a ici beaucoup de flexibilité.
Re : Création d'une distribution d'échantillonnageTrès vrai et un bon commentaire. Je me fais généralement un devoir d'examiner à la fois les médianes et la répartition des données pour déterminer si le processus est sous contrôle.Merci pour les commentaires.
Re : Création d'une distribution d'échantillonnageMerci pour les conseils et les instructions.Je n'ai jamais utilisé cette plateforme mais après en avoir lu davantage, je vois à quel point elle pourrait être très utile dans cette situation.Cependant, j'ai quelques difficultés à lire le résultat.Je vois sous le test d'homogénéité du groupe Wilcoxon que la valeur de p est <0,0001, donc les variances ne sont certainement pas homogènes.Avec l'ANOVA, j'effectue généralement des comparaisons par paires et je peux comparer, mais j'ai du mal à savoir comment comparer le Weibull.Comme vous l'avez mentionné, je peux évaluer visuellement la qualité de l'ajustement sous Comparer les distributions, mais existe-t-il un moyen de déterminer statistiquement la différence (comme la valeur p) comme nous le faisons avec l'ANOVA ?
Re : Création d'une distribution d'échantillonnageAussi, ajoutez un peu à @Mark_Bailey est la solution recommandée, je vais ajouter un autre problème. Et si vous vous concentriez sur la moyenne (ou avez-vous plutôt pensé à la médiane ?) ET à la variance/écart ? Rappelez-vous la célèbre citation de Jack Welch, paraphrasant : « Les clients ressentent rarement la moyenne... ils ressentent et expérimentent la variance. » Donc, si votre objectif ultime est d'améliorer ou de rendre la longueur de contact MOYENNE plus cohérente... Je vous encourage également à penser à minimiser/réduire la variance lorsque votre objectif ultime est d'améliorer la satisfaction du client en réduisant la VARIANCE de la longueur de contact.
Re : Création d'une distribution d'échantillonnageMaintenant, je comprends. L'ANOVA suppose que les erreurs aléatoires sont normalement distribuées. Alors n'utilisons pas ANOVA !
Il existe un moyen simple de résoudre tous vos problèmes. Tout d'abord, le durée de l'appel n’est généralement pas distribué normalement. C'est une mesure de vie de l'appel ou simplement durée de vie données. Plus généralement, c'est l'heure de l'événement données (l'événement est la fin de l'appel). Vous souhaitez utiliser Analyser > Fiabilité et survie > Répartition de la vie au lieu de l'ANOVA. Sélectionnez le Comparer les groupes en haut de la boîte de dialogue de lancement. Sélectionnez la colonne avec la longueur des valeurs d'appel et cliquez sur Y, temps jusqu'à l'événement . Sélectionnez la colonne avec les valeurs qui identifient les agents et cliquez sur Regroupement . (Grosse hypothèse pour l'instant mais allons-y : tous les appels ont été complétés. Autrement dit, aucune des observations de longueur d’appel ne représente des appels incomplets. Cette situation est connue sous le nom de censure. Nous pourrons traiter ce cas correctement plus tard si nécessaire.) Cliquez maintenant Aller .
Je suggère d'utiliser le Weibull modèle de distribution et mise à l’échelle. Clique le case à cocher avant Weibull et le bouton radio après Weibull. Vous allez recevoir beaucoup d’informations en retour.
Premièrement, le tracé en haut de Compare Distributions est utile pour évaluer visuellement l’adéquation et évaluer les différences entre les agents. Deuxièmement, le rapport récapitulatif vous informe sur chaque agent. Ouvrez et examinez le test d’homogénéité du groupe Wilcoxon. Il suppose que la distribution de tous les agents est la même mais est significative si certains agents sont différents. Troisièmement, il y a un onglet avec une analyse de chaque agent. Chaque rapport est détaillé et spécifique. Vous n’aurez peut-être pas besoin ou ne souhaiterez pas toutes les informations.
Je vais m'arrêter ici et voir si nous allons dans la bonne direction et si vous avez d'autres questions.
Re : Création d'une distribution d'échantillonnageVoici une façon de créer l’exemple de moyenne.Si vous avez enregistré et concaténé les tables, plutôt que de les supprimer, vous pouvez réellement utiliser les échantillons pour effectuer des analyses.
Names Default To Here( 1 );
dt = Open( "$SAMPLE_DATA/semiconductor capability.jmp" );
dtMeans = New Table( "Final", New Column( "Sample" ), New Column( "NPN1 Mean" ) );
dtMeans << add rows( 100 );
For( i = 1, i <= 100, i++,
dt2 = dt << Subset( invisible, Sample Size( 100 ), columns( :NPN1 ) );
dtMeans:Sample[i] = i;
dtMeans:NPN1 Mean[i] = Col Mean( dt2:npn1 );
Close( dt2, nosave );
);
Re : Création d'une distribution d'échantillonnageEh bien, je suppose que je dois donner quelques informations supplémentaires à ce sujet.Là où je veux en venir, c'est examiner les différents agents du centre d'appels et effectuer un test ANOVA pour déterminer s'il existe des différences statistiquement significatives dans la durée moyenne d'appel entre les agents.Cependant, lorsque vous regardez la durée des données d'appel pour chaque agent, les ensembles de données ne sont pas normalement distribués et je viole l'homogénéité de variance lorsque je compare les ensembles.Sur la base du théorème central des limites, si j'effectuais une distribution d'échantillonnage pour les 10 000 appels (approximatifs) que chaque agent a effectués ce mois-là avec n = 100, elle devrait alors être distribuée plus normalement.J'ai également envisagé d'utiliser un test t de Welch pour les variances inégales, mais je n'étais pas sûr que cela résoudrait complètement le problème.Je sais qu'il existe d'autres moyens de normaliser les données, mais j'ai également pensé qu'il serait utile de savoir comment effectuer des distributions d'échantillonnage en général à l'aide de JMP.Je m'y prends peut-être dans le mauvais sens, donc tout conseil supplémentaire serait formidable !
Re : Création d'une distribution d'échantillonnageJe viens de relire votre message original. Vous souhaitez calculer une moyenne d’échantillon de Y, quelles que soient ces données ? Calculez-le simplement. La moyenne de l’échantillon reste l’estimateur impartial de la moyenne de la population.
Comment la répartition de l’échantillonnage vous aidera-t-elle ? Que feriez-vous de toutes les estimations provenant de nombreux sous-échantillons de N = 100 ?
De plus, qu'essayez-vous de faire pour qu'une distribution normale soit supposée ?
Re : Création d'une distribution d'échantillonnageMerci pour la réponse.J'ai donc des données démographiques de mon centre d'appels concernant la durée des appels téléphoniques au cours d'un mois et les données ne sont normalement pas distribuées.Mon idée était d'effectuer un échantillonnage aléatoire de n = 100 par échantillon, ce qui aiderait à créer une distribution normale.Je sais qu'il existe d'autres façons de procéder, mais je voulais comprendre comment procéder dans JMP.Je n'ai pas JMP Pro, cela peut donc ne pas être possible en fonction de votre texte ci-dessous.Est-ce que cela a plus de sens ce que je demande ?
Re : Création d'une distribution d'échantillonnageTout d’abord, une distribution d’échantillonnage de quoi ? Nous pensons généralement à une distribution d'échantillonnage par rapport à une estimation, comme la moyenne d'un échantillon ou une pente. C'est ce genre de chose que vous recherchez ? Si oui, quelle estimation ?
Deuxièmement, la distribution d'échantillonnage suppose un échantillonnage avec remise. Cette opération serait difficile avec des formules en colonnes.
Troisièmement, il faut généralement de nombreux tirages pour avoir une bonne idée de la distribution d’échantillonnage. Encore une fois, cette itération serait difficile en utilisant des formules de colonnes.
Quatrièmement, disposez-vous de JMP Pro ? Il existe une fonction d'amorçage intégrée qui rééchantillonnera vos données pour obtenir de nouvelles estimations de la statistique. Je ne me souviens pas si vous pouvez spécifier la taille du tirage ou s'il utilise toujours la taille de l'échantillon d'origine.
Je pense qu'un script pourrait être nécessaire.
