Stichprobengröße und Leistung für verschiedene VerteilungstypenIch habe diese Frage von einem Kunden erhalten:
"... Gibt es eine Möglichkeit, die Stichprobengröße für eine binomische oder hypergeometrische Verteilung zu berechnen? Zum Beispiel arbeiten einige an FDA-Programmen und sie müssen die Anzahl der Proben bestimmen, die sie testen müssen, um festzustellen, ob sie eine Fehlerrate von 1 von 10000 erhalten können. ... "
Sind Sie schon einmal auf diese Frage gestoßen? irgendwelche Lösungen? Es sieht so aus, als ob es in der Community auch eine ähnliche offene Frage zum Thema gibt:
https://community.jmp.com/t5/Discussions/Sample-Size-and-Power-Analysis-for-Negative-Binomial-or-Poisson/td-p/271509
Danke im Voraus,
Betreff: Stichprobengröße und Leistung für verschiedene VerteilungstypenHallo @kemal_oflus Während ich bei Beckman-Coulter an diagnostischen Blutvirus-Assays arbeitete, musste ich diese Frage für FDA-Einreichungen lösen. Ich habe die Wilson-Score-Methode verwendet, die die von der FDA empfohlene Methode ist (nicht die genaue Methode, d. H. Clopper-Pearson). Um ehrlich zu sein, habe ich es anhand der Formel mithilfe einer EXCEL-Tabelle gemacht, aber wir können sicherlich ein JMP-Skript erstellen, um dies zu automatisieren.
Betreff: Stichprobengröße und Leistung für verschiedene VerteilungstypenHallo @kemal_oflus ,
Nicht ganz das Gleiche, aber ich bin auf einen Kunden im Marketing in der Versicherungsbranche gestoßen. Sie machten einfache DOEs, um die Antwortrate für Werbepost zu optimieren, die sie verschickten.
Sie verwendeten eine Simulation in JMP Pro, um die Probengröße für das Experiment zu bestimmen.
Hier ist ein Thread, der eine Frage beantwortet, die sie hatten: Testen - Stichprobengrößen für eine vollständige Fakultät
Betreff: Stichprobengröße und Leistung für verschiedene VerteilungstypenHallo @kemal_oflus !
Ein einfacher Ansatz für einen Binomialtest verwendet die folgende Formel: 1-a = (1-p) ^ N, die Sie neu anordnen können, um N = Log (1-a) / Log (1-p) zu erhalten, wobei a = Konfidenzniveau und p = Wahrscheinlichkeit des Interesses. Die Idee ist, dass Sie N bestimmen, um zu behaupten, dass die Wahrscheinlichkeit, dass ein Ereignis von Interesse auftritt, nicht mehr als p beträgt, solange nicht alle N Proben dieses Ereignis von Interesse erfahren. Sie können sich das als Definition einer einseitigen Vertrauensgrenze vorstellen, wobei p als Obergrenze festgelegt wird. Die Formel wird einfach aus der Wahrscheinlichkeit abgeleitet, keine Ereignisse in N Proben mit einer Binomialverteilung zu beobachten.
Mit einer hypergeometrischen Verteilung können Sie leicht etwas Ähnliches tun, wenn dies angemessener ist. Gleiche Idee: Finden Sie einfach die Wahrscheinlichkeit, dass in einer Stichprobe aus einem bestimmten Los keine Ereignisse zu sehen sind. Es ist keine schöne geschlossene Form wie der Binomial-Fall, aber es sollte die Arbeit erledigen. Sie können das Konzept auch erweitern, um einige Ereignisse zuzulassen, obwohl die Berechnung schwieriger wird. Für die geringe Wahrscheinlichkeit, die sie betrachten, denke ich, dass der Binomialformel-Ansatz gut funktionieren sollte.
Hoffentlich hilft das!
