JMP®和JMP®Pro中的模拟方法，特别强调分数随机重量自举（EU 2018 418）等级：力量
William Q. Meeker，爱荷华州立大学统计学教授和杰出教授
Chris Gotwalt，JMP统计研究与开发总监，SAS
在本次会议中，我们将展示JMP如何使利用基于仿真的统计方法变得容易的几个例子。我们将从可靠性应用开始，并展示如何在生命分布平台和Fit Life By X平台中使用贝叶斯技术进行极少观察时获得更精细的推论。然后，我们将在JMP Pro中引入一键式Bootstrap，其中包含几个使用示例，特别强调了分数随机权重引导程序。
基于重采样的经典引导程序数十年来已被广泛用于计算可信赖置信区间，以用于没有精确方法可用且样本大小不足以依赖易于计算的大样本近似方法的应用程序。
但是，有许多应用程序不能使用重采样引导程序方法。其中包括严重审查数据的情况;当“成功”反应是罕见事件或者解释变量中成功与失败的混合有限时，逻辑回归;并设计了实验，其中参数的数量接近于观察的数量。这三种情况的共同之处在于，在大部分重采样中可能无法估计模型中的所有参数。分数随机权重引导方法可用于避免这些问题并提供可信赖的置信区间。
接下来，我们将演示如何使用JMP Pro中的模拟功能进行功率计算。这使得在整个JMP中进行许多分析的功率计算变得简单，特别是在结果为二进制的设计实验中。最后，我们将展示如何使用Profiler中的Save Bagged Estimates选项获取神经网络预测的置信区间。
