Taille de l'échantillon et puissance pour différents types de distributionJ'ai reçu cette question d'un client:
"... Existe-t-il un moyen de calculer la taille de l'échantillon pour une distribution binomiale ou hypergéométrique? Par exemple, nous travaillons sur des programmes de la FDA et ils doivent déterminer le nombre d'échantillons à tester pour déterminer s'ils peuvent obtenir un taux d'erreur de 1 sur 10000. ... "
Avez-vous déjà rencontré cette question? des solutions? Il semble qu'il y ait également une question ouverte similaire à la communauté sur le sujet:
https://community.jmp.com/t5/Discussions/Sample-Size-and-Power-Analysis-for-Negative-Binomial-or-Poisson/td-p/271509
Merci d'avance,
Re: Taille de l'échantillon et puissance pour différents types de distributionBonjour @kemal_oflus , tout en travaillant chez Beckman-Coulter sur les tests de diagnostic du virus du sang, j'ai dû résoudre cette question pour les soumissions à la FDA. J'ai utilisé la méthode de score de Wilson qui est la méthode recommandée par la FDA (pas la méthode exacte, c'est-à-dire Clopper-Pearson). Pour être honnête, je l'ai fait à partir de la formule en utilisant une feuille de calcul EXCEL, mais nous pouvons certainement faire un script JMP pour automatiser cela.
Re: Taille de l'échantillon et puissance pour différents types de distributionsalut @kemal_oflus ,
Pas tout à fait la même chose mais j'ai rencontré un client en marketing dans le secteur de l'assurance. Ils faisaient de simples DOE pour optimiser le taux de réponse pour le courrier promotionnel qu'ils envoyaient.
Ils ont utilisé la simulation dans JMP Pro pour déterminer la taille de l'échantillon pour l'expérience.
Voici un fil de discussion répondant à une question qu'ils avaient: Test - Tailles d'échantillon pour une factorielle complète
Re: Taille de l'échantillon et puissance pour différents types de distributionHey @kemal_oflus !
Une approche simple pour un test binomial utilise la formule suivante: 1-a = (1-p) ^ N que vous pouvez réorganiser pour obtenir N = Log (1-a) / Log (1-p), où a = niveau de confiance et p = probabilité d'intérêt. L'idée est que vous déterminez N de manière à affirmer que la probabilité qu'un événement d'intérêt se produise n'est pas supérieure à p tant que tous les N échantillons ne subissent pas ledit événement d'intérêt. Vous pouvez le considérer comme définissant une limite de confiance unilatérale où p est défini comme la limite supérieure. La formule est dérivée directement de la probabilité de n'observer aucun événement dans N échantillons avec une distribution binomiale.
Vous pouvez facilement faire quelque chose de similaire avec une distribution hypergéométrique si cela est plus approprié. Même idée: il suffit de trouver la probabilité de ne voir aucun événement dans un échantillon d'un lot spécifique. Ce n'est pas une belle forme fermée comme le cas Binomial, mais cela devrait faire le travail. Vous pouvez également étendre le concept pour permettre à quelques événements de se produire, même si le calcul devient plus délicat. Pour la faible probabilité qu'ils examinent, je pense que l'approche de la formule binomiale devrait très bien fonctionner.
J'espère que cela pourra aider!
