William Q. Meeker, PhD, professeur émérite de statistique, Iowa State University
Chris Gotwalt, PhD, JMP Directeur de la recherche et du développement statistiques, SAS
Cette présentation a été élue meilleur article invité.
Pendant plusieurs décennies, le bootstrap, basé sur le rééchantillonnage, a été une méthode largement utilisée pour calculer des intervalles de confiance dignes de confiance pour des applications où aucune méthode exacte n'est disponible et lorsque les tailles d'échantillons ne sont pas assez grandes pour pouvoir compter sur de grands -méthodes d'approximation d'échantillons, telles que les intervalles de confiance de Wald (approximation normale). Il existe cependant de nombreuses applications où la méthode bootstrap de rééchantillonnage ne peut pas être utilisée. Il s'agit notamment des situations où les données sont fortement censurées, de la régression logistique lorsque la réponse "succès" est un événement rare ou lorsqu'il y a un mélange limité de succès et d'échecs à travers la ou les variables explicatives, et des expériences conçues où le nombre de paramètres est proche au nombre d'observations. Le point commun entre ces trois situations est qu'il peut y avoir une proportion importante de rééchantillonnages où il n'est pas possible d'estimer tous les paramètres du modèle. Cette présentation montrera comment la méthode bootstrap de poids aléatoire fractionnaire, implémentée dans JMP Pro, peut éviter ces problèmes et fournir des intervalles de confiance fiables.
