Hallo, mein Name ist Bryan Frike.
Ich bin ein neu geprägt Produkt Manager bei JMP, Fokussierung an der JMP Benutzer Erfahrung.
Vorher, ich war ein Software Entwickler Arbeiten an exportieren Berichte
zu Stand allein HTML Datei Dateien, JMP Lebend, und JMP Öffentlich zugänglich.
Im Das Präsentation,
Ich bin gehen zu sprechen Über verwenden Vertrauen Kurven
als ein Alternative zu Null H Hypothese Bedeutung Testen
in der Kontext von vorausschauend Modell Screening.
Zusätzlich Material an Das Fach kann sein gefunden an der JMP Gemeinschaft Webseite
und der Papier damit verbundenen mit Das Präsentation.
DR. Russ Wolfinger, WHO ist ein ausgezeichnet Forschung Geselle bei JMP, ist ein co -Autor,
und ich möchten wie zu danken ihm zum seine Beiträge.
Die Modell Screening Plattform eingeführt in Springen Profi 16,
erlaubt Sie zu auswerten der Leistung
von mehrere vorausschauend Modelle verwenden kreuzen- Validierung.
Zu Show Sie wie der Modell Screening Plattform funktioniert,
Ich bin gehen zu verwenden der Diabetes Daten Tisch,
welcher ist erhältlich in der JMP Probe Daten Bücherei.
Krank wählen Modell Screening von der Analysieren Vorausschauend Modellieren Speisekarte.
JMP antwortet durch anzeigen der Modell Screening Dialog.
Die Erste drei Säulen in der Daten Tisch
vertreten Erkrankung Fortschreiten in kontinuierlich, binär, und Ordinal- Formen.
Krank verwenden der kontinuierlich Säule genannt Y als der Antwort Variable.
Krank verwenden alle der Säulen von Zeitalter zu Glucose in der x Faktor Rolle.
Krank Art 1-2-3-4 in der Satz Zufällig Samen Eingang Kasten zum Reproduzierbarkeit.
Krank auswählen der prüfen Kasten nächste zu K-Falte Kreuzen Validierung
und verlassen K einstellen zu fünf.
Krank Art drei hinein der Eingang Kasten nächste zu Wiederholt K Falten.
Im der Methode Liste, Krank abwählen Neural,
und jetzt Krank auswählen OK.
JMP antwortet durch Ausbildung und validieren Modelle zum jede einzelne von der ausgewählt Methoden
verwenden ihr Ursprünglich Parameter die Einstellungen und kreuzen Validierung.
Nach dem abschließen der Ausbildung und validieren Prozess,
JMP zeigt der Ergebnisse in ein Neu Fenster.
Zum jede einzelne Modellieren Methode, der Modell Screening Plattform bietet
Leistung Maße in der bilden von Punkt Schätzungen
zum der Koeffizient von Festlegung,
welcher ist Auch bekannt als R kariert, der Wurzel Durchschnitt kariert Error,
und der Standard Abweichung zum der Wurzel Durchschnitt kariert Error.
Jetzt Krank klicken Auswählen Dominant.
JMP antwortet durch hervorheben der Methode das führt Beste
über der Leistung Maße.
Was ist fehlen Hier ist ein Grafik
zu Show Du der Größe von der Unterschied zwischen der Dominant Methode
und der andere Methoden, eine lange mit der Visualisierung
von der Unsicherheit damit verbundenen mit der Unterschiede.
Aber warum nicht gerade Show P Werte anzeigt ob der Unterschiede sind bedeutsam?
Sollte nicht ein Entscheidung Über ob ein Modell ist Vorgesetzter zu Ein weiterer
sein basierend an Bedeutung?
Zuerst,
seit ein P-Wert bietet ein Wahrscheinlichkeit basierend an ein standardisiert Unterschied,
ein P Wert durch selbst verliert Information Über der roh Unterschied,
damit ein bedeutsam Unterschied nicht implizieren ein sinnvoll Unterschied.
Aber ist das Ja wirklich ein Problem?
ich bedeuten, ist nicht es zwecklos zu sein betroffen
mit der Größe von ein Unterschied zwischen zwei Modelle Vor Bedeutung testen ist benutzt
zu bestimmen ob der Unterschied ist Real?
Die Problem mit das Linie von Denken ist das es ist Energie, oder ein Minus- Beta,
das bestimmt unsere Fähigkeit zu korrekt ablehnen ein Null Hypothese.
Autoren eine solche als Jakob Kohen und Frank Schmidt
verfügen über empfohlen das typisch Studien verfügen über ein Energie zu erkennen Unterschiede
in der Reichweite von 0,4 zu 0,6 .
Lasst uns annehmen wir verfügen über ein Unterschied wo der Energie zu erkennen ein wahr Unterschied
ist 0,5 bei ein Alpha Wert von 0,05 .
Dass schlägt vor wir möchten erkennen der wahr Unterschied
an Durchschnitt 50 Prozent von der Zeit.
Im das Fall, Bedeutung testen möchten identifizieren Real Unterschiede
Nein besser als umdrehen ein unvoreingenommen Münze.
Wenn alle andere Dinge sind gleich, Art Ein und Art Zwei Fehler sind gleichwertig.
Aber Bedeutung Prüfungen das verwenden ein Alpha Wert von .05
häufig implizit davon ausgehen Geben Sie T ein weh Fehler sind bevorzugt zu Art Ein Fehler,
insbesondere wenn der Energie ist als niedrig als 0,5 .
EIN gemeinsam Anregung zu die Anschrift diese und andere Themen mit Bedeutung testen
ist zu Show der Punkt schätzen eine lange mit Vertrauen Intervalle.
Ein Einspruch zu tun damit ist das ein Punkt schätzen
eine lange mit ein 95 Prozent Vertrauen Intervall
ist effektiv der gleich Ding als Bedeutung testen.
Eben wenn wir davon ausgehen das ist wahr, ein Punkt schätzen und Vertrauen Intervall
still setzt der Größe von der Unterschied in der Reichweite von der Unsicherheit
Vorderseite und Center,
wohingegen ein einsam P Wert verbirgt Ihnen beide.
Verschiedene Autoren, einschließlich Kohen und Schmidt,
verfügen über empfohlen ersetzen Bedeutung testen
mit Punkt Schätzungen und Vertrauen Intervalle.
Eben damit, der Empfehlung zu verwenden Vertrauen Intervalle
bittet der Frage, "Welcher Einsen tun wir Show?"
Anzeigen nur der 95 Prozent Vertrauen Intervall
möchten wahrscheinlich ermutigen Sie zu interpretieren es als Ein weiterer bilden von Bedeutung testen.
Die Lösung bereitgestellt durch Vertrauen Kurven
ist zu buchstäblich Show alle Vertrauen Intervalle
hoch zu ein willkürlich hoch Vertrauen Stufe.
Damit wie tun Sie Show Vertrauen Kurven ein JMP?
Zu bequem schaffen Vertrauen Kurven in JMP,
Installieren der Vertrauen Kurven addieren- in durch Besuch der JMP Gemeinschaft Startseite.
Art "Vertrauen Kurven" hinein der Suche Eingang Bereich.
Klicken an der Erste Eintrag das erscheint.
Jetzt klicken der herunterladen Symbol nächste zu Vertrauenskurven.jmp addieren in,
und jetzt Sie kann klicken an der heruntergeladen Datei.
JMP antwortet durch fragen wenn ich will zu Installieren der addieren- in.
Sie möchten klicken "Installieren."
Aber, Krank klicken "Stornieren," als ich bereits verfügen über der addieren- in Eingerichtet.
Wie tun Sie verwenden der addieren- in?
Zuerst, zu generieren Vertrauen Kurven zum Das Prüfbericht,
auswählen "Speichern Ergebnisse Tisch"
von der oben rot Dreieck Speisekarte gelegen an der Modell Bildschirm Prüfbericht Fenster.
JMP antwortet durch Erstellen ein Neu Tisch enthält, unter Andere,
der folgende Säulen:
Gerichtsverhandlung, welcher enthält der Kennungen zum drei setzt von kreuzen Validierung Ergebnisse;
Falten, welcher enthält der Identifikatoren zum der fünf unterscheidbar setzt von Teilproben
benutzt zum Validierung in jede einzelne Gerichtsverhandlung;
Methode, welcher enthält der Methoden benutzt zu schaffen Modelle von der Prüfung Daten,
und N, welcher enthält der Anzahl von Daten Punkte benutzt in der Validierung Falten.
Notiz das der Gerichtsverhandlung Säule Wille sein fehlen wenn der Anzahl von wiederholt ist exakt ein,
in welcher Fall der Gerichtsverhandlung Säule ist weder erstellt Noch erforderlich.
Speichern zum das Ausnahme,
diese Säulen sind wesentlich zum der Vertrauen Kurven addieren- in
zu Funktion richtig.
Im Zusatz zu diese Säulen,
Sie brauchen ein Säule das bietet der metrisch zu vergleichen Methoden.
Krank sein verwenden R kariert als der metrisch von Interesse in Das Präsentation.
Einmal Sie verfügen über der Modell Bildschirm und Ergebnisse Tisch,
klicken "Addieren- Ins" von der JMPs hauptsächlich Speisekarte Bar und dann s wählen "Vertrauen Kurven."
Die Logik das folgt möchten sein besser platziert in ein Magier,
und ich hoffen zu addieren das Funktionalität in ein Zukunft Freisetzung von der addieren- in.
Als es ist, der Erste Dialog das erscheint
Anfragen Sie zu auswählen der Name von der Tisch das war generiert
wann Sie gewählt "Speichern Ergebnisse Tisch"
von der Modell Screening Berichte rot Dreieck Speisekarte.
Die Name von der Tisch in Das Fall ist Modell Screening Statistiken Validierung Satz.
Nächste, ein Dialog ist angezeigt das Anfragen der Name von der Methode
das Wille Dienen als der Grundlinie
von welcher alle der andere Leistung Metriken sind gemessen.
ich empfehlen beginnend mit der Methode
das war ausgewählt wann Sie angeklickt der Auswählen Dominant, oder in Das Fall,
ich ausgewählt oder angeklickt Auswählen Dominant Möglichkeit
in der Modell Bildschirm und Prüfbericht Fenster,
welcher in Das Fall ist fit Schritt Weise.
Endlich, ein Dialog ist angezeigt
das Anfragen Sie zu auswählen der metrisch zu sein verglichen zwischen der verschiedene Methoden.
Als erwähnt früher, Krank verwenden R kariert als der metrisch zum Vergleich.
Springen antwortet durch Erstellen ein Vertrauen Kurve Tisch das enthält P Werte
und dazugehörigen Vertrauen Ebenen
zum der bedeuten metrisch Unterschied zwischen der gewählt Grundlinie Methode
und jede einzelne von der andere Methoden.
Mehr speziell, der generiert Tisch hat Säulen zum der Folgendes:
Modell, in welcher jede einzelne Reihe enthält der Name von der Modellieren Methode
deren Leistung ist ausgewertet relativ zu der Grundlinie Methode;
P-Wert,
in welcher jede einzelne Reihe enthält der Wahrscheinlichkeit damit verbundenen mit der Leistung Unterschied
bei am wenigsten als extrem als der Werte gezeigt in der Unterschied in R Quadrat Säule;
Vertrauen Intervall, in welcher jede einzelne Reihe enthält der Vertrauen Stufe wir verfügen über
das der wahr bedeuten ist enthalten in der damit verbundenen Intervall.
Und endlich, Unterschied in R Quadrat, in welcher jede einzelne Reihe ist der maximal oder Minimum
von der erwartet Unterschied in R kariert damit verbundenen mit der Vertrauen Stufe
gezeigt in der Vertrauen Intervall Säule.
Von Das Tisch, Vertrauen Kurven sind erstellt
und gezeigt in der Graph Baumeister Graph.
Was sind Vertrauen Kurven?
Zu klären der Schlüssel Attribute von ein Vertrauen Kurve,
Krank verstecken alle aber der Unterstützung Vektor Maschinen Vertrauen Kurve
verwenden der lokal Daten Filter durch klicken an Unterstützung Vektor Maschinen.
Durch Ursprünglich, ein Vertrauen Kurve nur zeigt an der Linien
das anschließen der Extreme von jede einzelne Vertrauen Intervall.
Zu sehen der Punkte, auswählen Show Kontrolle Tafel von der rot Dreieck Speisekarte
gelegen nächste zu der Text das liest Diagrammaufbau R in der Titel Bar.
Jetzt Krank Verschiebung klicken der Punkte Symbol.
JMP antwortet durch anzeigen der Ende Punkte von der Vertrauen Intervalle
das machen hoch der Vertrauen Kurve.
Jetzt ich Wille Zoomen in und untersuchen ein Punkt.
Wenn Sie schweben der Maus Zeiger über irgendein von diese Punkte,
ein schweben Etikette zeigt an der P Wert, Vertrauen Intervall,
Unterschied in der Größe von der metrisch,
und der Methode benutzt zu generieren der Modell Sein verglichen zu der Hinweis.
Jetzt ich Wille Wende aus der Punkte durch Verschiebung klicken der Punkte Symbol
und klicken der Getan Taste.
Eben obwohl der Individuell Punkte sind Nein länger gezeigt,
Sie kann still Ansicht der damit verbundenen schweben Etiketten
durch platzieren der Maus Zeiger über der Vertrauen Kurve.
Die Punkt schätzen zum der bedeuten Unterschied in Leistung
zwischen Unterstützung Vektor M Maschinen und Fit Schritt Weise
ist gezeigt bei der 0 Prozent Vertrauen Stufe,
welcher ist der bedeuten Wert von der Unterschiede berechnet verwenden kreuzen Validierung.
Vertrauen Kurve Grundstücke der Ausmaß von jede einzelne Vertrauen Intervall
von der generiert Tisch zwischen der Null und 99. 99 Prozent Vertrauen Stufe,
welcher ist ein willkürlich hoch Wert.
Eine lange der links Y Achse,
P-Werte damit verbundenen mit das Vertrauen Intervalle sind gezeigt.
Eine lange der rechts Y Achse,
der Vertrauen Stufe damit verbundenen mit jede einzelne Vertrauen Intervall wird gezeigt.
Die Y Achse Verwendet ein Protokoll Skala,
damit das mehr Auflösung ist gezeigt bei höher Vertrauen Ebenen.
Durch Ursprünglich, zwei Hinweis Linien sind gezeichnet neben ein Vertrauen Kurve.
Die vertikal Linie repräsentiert der traditionell Null Hypothese
von Nein Unterschied in Wirkung.
Beachten Sie kann Veränderung der vertikal Linie Position
und damit der implizit Null Hypothese
in der x Achse die Einstellungen.
Die horizontal Linie
geht vorbei durch der konventionell 95 Prozent Vertrauen Intervall.
Als mit der vertikal Hinweis Linie,
Sie kann Veränderung der horizontal Linie Position
und damit der implizit Stufe von Bedeutung,
durch Ändern der Y Achse die Einstellungen.
Wenn ein Vertrauen Kurve Kreuze der vertikal Linie Oben der horizontal Linie,
Sie kann nicht ablehnen der Null Hypothese verwenden Bedeutung testen.
Zum Beispiel, wir kann nicht ablehnen der Null Hypothese zum Unterstützung Vektor Maschinen.
An der andere Hand,
wenn ein Vertrauen Kurve Kreuze der vertikal Linie unter der horizontal Linie,
Sie kann ablehnen der Null Hypothese.
Zum Beispiel können wir die Nullhypothese für ablehnen Gestärkt Baum.
Wie sind Vertrauen Kurven berechnet?
Die Strom Implementierung von Vertrauen Kurven
geht davon aus der Unterschiede sind berechnet verwenden R mal wiederholt
K-Falte kreuzen Validierung.
Die Ausmaß von jede einzelne Vertrauen Intervall ist berechnet
verwenden was ist bekannt als ein Varianz Korrigiert Neu abgetastet T-Test.
Notiz das Autoren Claude Nadeau und Yoshua Bengio
notiert das ein korrigiert neu gesampelt T- Prüfung
ist typisch benutzt in Fälle wo Ausbildung setzt
sind fünf oder zehn mal größer als Validierung setzt.
Zum mehr Einzelheiten, bitte sehen der Papier damit verbundenen mit Das Präsentation.
Damit wie sind Vertrauen Kurven interpretiert?
Zuerst, ein Vertrauen Kurve grafisch darstellt
der hauptsächlich Unterschied in der metrisch von Interesse zwischen ein gegeben Methode
und ein Hinweis Methode bei der 0 Prozent Vertrauen Stufe.
Wir kann auswerten ob der bedeuten Unterschied zwischen Methoden ist sinnvoll.
Wenn der bedeuten Unterschied ist nicht sinnvoll, es gibt kleine Punkt in des Weiteren Analyse
von der gegeben Methode gegen der Hinweis Methode mit Respekt zu der gewählt metrisch.
Was bildet ein sinnvoll Unterschied kommt darauf an an der metrisch von Interesse
als Gut als der vorgesehen wissenschaftlich oder Ingenieurwesen Anwendung.
Zum Beispiel, Sie kann sehen der Modell entwickelt mit ein Entscheidung Baum Methode
ist an Durchschnitt Über 14 Prozent schlechter als Fit Schritt Weise,
welcher wohl ist ein sinnvoll Unterschied.
Wenn der Unterschied ist sinnvoll,
wir kann auswerten wie genau der Unterschied hat gewesen gemessen
durch auswerten der Breite von der damit verbundenen Vertrauen Intervalle.
Zum irgendein Vertrauen Intervall nicht Kreuzung der Ursprünglich vertikal Achse,
wir verfügen über bei am wenigsten das Stufe von Vertrauen das der bedeuten Unterschied ist nicht null.
Zum Beispiel, der Entscheidung Baum Vertrauen Kurve nicht kreuzen der Y Achse
noch bis Über der 99. 98 Prozent Vertrauen Stufe,
damit wir sind fast 99. 98 Prozent zuversichtlich der bedeuten Unterschied ist nicht gleich zu Null.
Im Tatsache, mit Das Daten einstellen,
es wendet sich aus das wir kann sein Über 81 Prozent zuversichtlich
das Fit Schritt Weise ist bei am wenigsten als gut, wenn nicht besser,
als jeden Methode andere als verallgemeinert Regressions-Lasso.
Jetzt Lasst uns Erwägen der Beziehung zwischen Vertrauen Kurven.
Wenn zwei oder mehr Vertrauen Kurven bedeutend Überlappung
und der bedeuten Unterschied von jede einzelne ist nicht sinnvoll unterschiedlich von der andere,
der Daten empfehlen jede einzelne Methode führt
Über der gleich als der andere mit Respekt zu der Hinweis Modell.
Zum Beispiel, wir kann sehen das an Durchschnitt,
die S unterstützen Vektor Maschinen Modell führt
weniger als 0,5 Prozent besser als Bootstrap Wald,
welcher ist streitbar nicht ein sinnvoll Unterschied.
Und das Vertrauen Intervalle
tun nicht Überlappung noch bis Über die vier Prozent Vertrauen Stufe,
welcher schlägt vor diese Werte möchten sein erwartet
wenn beide Methoden Ja wirklich tun verfügen über Über der gleich Unterschied in Leistung
mit Respekt zu der Hinweis.
Wenn der Durchschnitt Unterschied in Leistung
ist Über der gleich zum zwei Vertrauen Kurven
aber der Vertrauen Intervalle nicht Überlappung zu viel,
der Daten schlägt vor der Modelle ausführen Über der gleich als jede einzelne andere
mit Respekt zu der Hinweis Modell.
Aber, wir sind zuversichtlich von ein nicht- sinnvoll Unterschied.
Dies besonders Fall ist seltener als der Andere, und
ich nicht verfügen über ein Beispiel zu Show mit Das Daten einstellen.
An der andere Hand,
wenn der Durchschnitt Unterschied in Leistung zwischen ein Paar von Vertrauen Kurven
ist sinnvoll unterschiedlich und der Vertrauen Kurven verfügen über kleine Überlappung,
der Daten schlägt vor der Modelle ausführen anders von ein Ein weiterer
mit Respekt zu der Hinweis.
Zum Beispiel, der verallgemeinert Rückschritt Lasso Modell
prognostiziert Über 13. 8 Prozent mehr von der Variation in der Antwort
als tut der Entscheidung Baum Modell.
Außerdem, der Vertrauen Kurven nicht Überlappung
noch bis Über der 99. 9 Prozent Vertrauen Stufe,
welcher schlägt vor diese Ergebnisse sind ziemlich ungewöhnlich
wenn der Methoden eigentlich ausführen Über der gleich mit Respekt zu der Hinweis.
Endlich, wenn der Durchschnitt Unterschied in Leistung
zwischen ein Paar von Vertrauen Kurven
ist sinnvoll unterschiedlich von ein Ein weiterer und der Kurven verfügen über beträchtlich Überlappung,
der Daten schlägt vor das während der Methoden ausführen anders von ein Ein weiterer
mit Respekt zu der Hinweis,
es würde nicht sein überraschend wenn der Unterschiede sind der Unterschiede falsch.
Zum Beispiel, wir kann sehen das an Durchschnitt,
Unterstützung Vektor Maschinen vorhergesagt etwa 1,4 Prozent mehr von der Varianz
in der Antwort als Tat K Nächste Nachbarn.
Aber, der Vertrauen Intervalle Start zu Überlappung
bei Über der 17 Prozent Vertrauen Stufe,
welcher schlägt vor es würde nicht sein überraschend wenn der Unterschied in Leistung
zwischen jede einzelne Methode in der Hinweis
ist eigentlich kleiner als empfohlen durch der Punkt Schätzungen.
Gleichzeitig,
es würde nicht sein überraschend wenn der tatsächlich Unterschied ist größer als gemessen,
oder wenn der Richtung von der Unterschied ist eigentlich rückgängig gemacht.
Im andere Wörter, der Unterschied in Leistung ist unsicher.
Notiz das es ist nicht möglich zu bewerten der Variabilität in Leistung
zwischen zwei Modelle relativ zu ein Ein weiterer
wann der Unterschiede sind relativ zu ein Dritter Modell.
Zu vergleichen der Variabilität in Leistung zwischen zwei Methoden
relativ zu ein Ein weiterer,
ein von der zwei Methoden Muss sein der Hinweis Methode
von welcher der Unterschiede sind gemessen.
Aber was Über mehrere Vergleiche?
Nicht wir brauchen zu anpassen der P-Werte
zu Kontrolle der Familie Weise Art Ein Error Bewertung?
Im seine Papier Über Vertrauen Kurven, Daniel Barr schlägt vor
das Anpassungen sind erforderlich in bestätigend Studien
wo ein Ziel ist vorgegeben, aber nicht in explorativ Studien.
Dies schlägt vor verwenden unangepasst P-Werte zum mehrere Vertrauen Kurven
in ein explorativ Mode
und nur ein Einzel Vertrauen Kurve generiert von unterschiedlich Daten
zu bestätigen Sie dein finden von ein bedeutsam Unterschied zwischen zwei Methoden
wann verwenden Bedeutung testen.
Dass genannt, bitte behalten in Geist der Gefahren von Kirsche Pflücken
und P hacken wann Dirigieren explorativ Studien.
Im Zusammenfassung, der Modell Screening Plattform eingeführt in JMP Profi 16
bietet ein bedeutet zu gleichzeitig vergleichen der Leistung
von vorausschauend Modelle erstellt verwenden unterschiedlich Methoden.
JMP hat ein lang- Stehen Ziel zu bieten ein Graph mit jeden Statistik,
und Vertrauen Kurven Hilfe zu füllen das Lücke
zum der Modell Screening Plattform.
Sie könnte natürlich erwarten zu verwenden Bedeutung testen zu unterscheiden
zwischen der Leistung von der verschiedene Methoden Sein verglichen.
Aber, P-Werte verfügen über Kommen Sie unter ist gestiegen Prüfung in jüngste Jahre
zum verdunkeln der Größe von Leistung Unterschiede.
Im Zusatz,
P-Werte sind häufig fehlinterpretiert als der Wahrscheinlichkeit der Null Hypothese ist falsch.
Stattdessen, ein P-Wert ist der Wahrscheinlichkeit von beobachten ein Unterschied als oder mehr extrem,
vorausgesetzt der Null Hypothese ist wahr.
Die Wahrscheinlichkeit von korrekt ablehnen der Null Hypothese
wann es ist falsch ist bestimmt durch Energie, oder ein Minus- Beta.
Ich habe argumentiert das es ist nicht ungewöhnlich zu nur verfügen über ein 50 Prozent Chance
von korrekt ablehnen der Null Hypothese mit ein Alpha Wert von 0,05 .
Als ein Alternative, ein Vertrauen Intervall könnten sein gezeigt stattdessen von ein einsam P-Wert.
Aber, der Frage möchten sein links offen als zu welcher Vertrauen Stufe zu Show.
Vertrauen Kurven die Anschrift diese Bedenken
durch zeigt alle Vertrauen Intervalle hoch zu ein willkürlich hoch Stufe von Vertrauen.
Die bedeuten Unterschied in Leistung
ist deutlich sichtbar bei die null Prozent Vertrauen Stufe,
und das handelt als ein Punkt schätzen.
Alle andere Dinge Sein gleich,
Art Ein und Art Zwei Fehler sind Äquivalent,
damit Vertrauen Kurven nicht einbetten ein Voreingenommenheit in Richtung Handel T ja Ein Fehler
zum Art Zwei.
Eben damit, durch Ursprünglich, ein vertikal Linie ist gezeigt in der Vertrauen Kurve Graph
zum der Standard Null Hypothese von Nein Unterschied.
Im Zusatz, ein horizontal Linie ist gezeigt das grenzt ab
der 95 Prozent Vertrauen Intervall,
welcher leicht leistet ein typisch Bedeutung testen Analyse wenn gewünscht.
Die Voreinstellungen zum diese Linien sind leicht geändert
wenn ein unterschiedlich Null Hypothese und Vertrauen Stufe ist gewünscht.
Eben damit, gegeben der eher breit und manchmal nachdrücklich Anregung
zu ersetzen Bedeutung testen mit Punkt Schätzungen und Vertrauen Intervalle,
es dürfen sein Beste zu Ansicht ein Vertrauen Kurve als ein Punkt schätzen
eine lange mit ein fast umfassend Ansicht von es ist damit verbundenen Unsicherheit.
Wenn Sie verfügen über Feedback Über der Vertrauen Kurven addieren- in,
bitte verlassen ein Kommentar an der JMP C Gemeinschaft Seite? ˅
und nicht vergessen zu Abstimmung zum Das Präsentation
wenn Sie gefunden es interessant und oder sinnvoll.
Dank Sie zum Aufpassen Das Präsentation, und ich hoffen Sie verfügen über ein großartig Tag.
