Dimensioni e potenza del campione per diversi tipi di distribuzioneHo ricevuto questa domanda da un cliente:
"... C'è un modo per calcolare la dimensione del campione per una distribuzione binomiale o ipergeometrica? Ad esempio, stiamo lavorando su alcuni programmi FDA e devono determinare il numero di campioni che devono testare per determinare se possono ottenere un tasso di errore di 1 su 10000. ..."
Hai mai incontrato questa domanda prima? delle soluzioni? Sembra che ci sia anche una domanda aperta simile nella community sull'argomento:
https://community.jmp.com/t5/Discussions/Sample-Size-and-Power-Analysis-for-Negative-Binomial-or-Poisson/td-p/271509
Grazie in anticipo,
Ri: Dimensioni e potenza del campione per diversi tipi di distribuzioneCiao @kemal_oflus , mentre lavoravo alla Beckman-Coulter sui test diagnostici per i virus del sangue, ho dovuto risolvere questa domanda per la presentazione della FDA. Ho usato il metodo del punteggio Wilson, che è il metodo consigliato dalla FDA (non il metodo esatto cioè Clopper-Pearson). Ad essere sincero, l'ho fatto dalla formula usando un foglio di calcolo EXCEL, ma possiamo certamente fare uno script JMP per automatizzarlo.
Ri: Dimensioni e potenza del campione per diversi tipi di distribuzioneCiao @kemal_oflus ,
Non è lo stesso, ma mi sono imbattuto in un cliente nel settore assicurativo. Stavano facendo semplici DOE per ottimizzare il tasso di risposta per la posta promozionale che stavano inviando.
Hanno usato la simulazione in JMP Pro per determinare la dimensione del campione per l'esperimento.
Ecco un thread che risponde a una domanda che avevano: Test: dimensioni del campione per un fattoriale completo
Ri: Dimensioni e potenza del campione per diversi tipi di distribuzioneHey @kemal_oflus !
Un semplice approccio per un test binomiale utilizza la seguente formula: 1-a = (1-p) ^ N che è possibile riorganizzare per ottenere N = Log (1-a) / Log (1-p), dove a = livello di confidenza e p = probabilità di interesse. L'idea è che si determina N in modo da rivendicare la probabilità che si verifichi un evento di interesse non più di p fintanto che tutti gli N campioni non sperimentano tale evento di interesse. Puoi considerarlo come definire un limite di confidenza unilaterale in cui p è impostato come limite superiore. La formula è derivata direttamente dalla probabilità di non osservare eventi in N campioni con una distribuzione binomiale.
Potresti facilmente fare qualcosa di simile con una distribuzione ipergeometrica se è più appropriato. Stessa idea: trova la probabilità di non vedere eventi in un campione di un lotto specifico. Non è un bel modulo chiuso come il caso Binomial, ma dovrebbe portare a termine il lavoro. Puoi anche estendere il concetto per consentire il verificarsi di alcuni eventi, sebbene il calcolo diventi più complicato. Per la piccola probabilità che stanno osservando, penso che l'approccio della formula binomiale dovrebbe funzionare bene.
Spero che aiuti!
