Hola,
Tengo una pregunta con respecto a la plataforma Life Distribution, precisamente usando el cuadro de esquema de distribución de comparación con datos censurados por intervalo.
Me gustaría ilustrar mi pregunta con un ejemplo. Creé algunos números ficticios e intenté ajustarlos a una distribución de Weibull. Los comportamientos que describiré a continuación se repiten mientras uso datos reales.
Mi pregunta general es ¿cómo calcula JMP las posiciones del eje Y (probabilidad) para los datos censurados por intervalos?
Me pregunto por qué dos puntos con un valor inicial de 120 y 200 se trazan a la misma altura en el eje Y.
A continuación, ¿por qué a veces una observación sin censura se marca en un gráfico con un solo marcador (p. ej., el punto 4), algunas se marcan con 2 marcadores (p. ej., los puntos 1 y 3, como se muestra con elipses rojas) y otras no se marcan en absoluto (p. ej., .falta el punto 2)?
Finalmente, me gustaría preguntar por qué solo puedo seleccionar en este gráfico el punto 1 (usando el cursor) y otros puntos no se pueden seleccionar de ninguna manera, excepto cuando se usa la tabla de datos directamente. Además, solo puedo mover la etiqueta del punto 1, otras están inactivas.
Gracias por su ayuda,
Saludos,
ceg1
Creo que está utilizando JMP 16 o una versión anterior. Hubo un error asociado con el problema de selección de marcador con el que te topaste.
Y también hay un cambio en JMP 17. Entonces, si ejecuta el análisis en JMP 17, verá un gráfico diferente. La diferencia refleja un cambio en las posiciones del eje y de esos puntos. Pero permítanme marcar de nuevo hasta el principio para explicar lo que está pasando.
1. Cuando los datos están censurados por intervalos, la "Estimación no paramétrica" de la distribución utiliza el llamado "Estimador Turnbull". Puede encontrar el resultado numérico de la estimación en el nodo de esquema "Estimación no paramétrica". Aquí está la captura de pantalla de JMP 16. Y la estimación de Turnbull está en la tercera columna.
2. Los marcadores sobre los que tiene preguntas están asociados con la estimación. Esta es la parte difícil. Tradicionalmente, los marcadores se asocian con datos. Pero aquí los marcadores en este gráfico están asociados con la estimación no paramétrica, que es un modelo. Esto explica por qué algunos puntos de datos no parecen aparecer en el gráfico.
3. Ahora déjame explicarte cómo se traza la estimación de Turnbull.
3.1 Primero, lo que muestra aquí es una de las dos representaciones de las gráficas de estimación no paramétrica. Para Turnbull, podría ser más fácil para mí hablar sobre la otra representación, que representa de manera más rigurosa la estimación de Turnbull. Para ver el otro, debe desactivar la opción "Mostrar puntos" en el menú en JMP 16; ver la siguiente captura de pantalla:
Después de apagarlo, debería ver el siguiente gráfico. Hay un punto rojo y tres líneas horizontales rojas. Este estilo se conoce como la representación de "función escalonada" de una estimación no paramétrica.
Corresponden a la estimación de Turnbull. Permítanme explicarlos uno a la vez. Necesitamos mirar la Estimación no paramétrica y la gráfica una al lado de la otra. Así que no tenemos que desplazarnos hacia arriba y hacia abajo. Ahora, observe la primera fila de la tabla, dice que desde el origen del tiempo (aquí significa 0) hasta 60, la probabilidad estimada es 0. Debido a que estamos dibujando el eje Y usando la escala de probabilidad de Weibull, esta línea no aparece. Pero si cambia el eje Y a lineal, debería ver esa línea adicional de 0 a 60, en y=0. Ahora, mira la segunda fila de la tabla, dice, desde el momento 100 hasta el momento 100, la estimación de probabilidad es 0,19047620. Significa que una línea colapsa hasta convertirse en un punto. A eso corresponde el punto rojo. La tercera fila a la quinta fila en la tabla definen tres líneas individuales en estimaciones de probabilidad respectivas. Observe que las líneas tercera y cuarta tienen las mismas estimaciones de probabilidad. Eso determina que las dos líneas están al mismo nivel.
3.2 Ahora retroceda para ver los marcadores. Los puse uno al lado del otro, y ahora es más obvio de dónde provienen las posiciones del eje y de los marcadores.
Además, para adaptarse a la tradición de que los marcadores se pueden cepillar en JMP, el software intenta tener el mayor sentido posible para asociar la estimación (el modelo) con los datos. Pero debería explicar lo que está pasando usando JMP 17. Debido al error en JMP 16 y al cambio en JMP 17, la explicación de este gráfico de estilo de marcador en JMP 16 traerá más confusión. Estoy cambiando de marcha a JMP 17 en lo siguiente. Restablecer el número de artículo también para que quede claro.
1. En JMP 17, el informe de estimación no paramétrica para estos datos es el siguiente. Observe que el nombre de la tercera columna es "Estimación de punto medio", y hay una última columna adicional "Estimación de Turnbull". Entonces esta tabla mueve lo que estaba en la segunda columna a la última. Y ponga "Estimación de punto medio" en la tercera columna.
2. JMP 17 tiene un nuevo submenú para opciones de gráficos no paramétricos.
3. Las siguientes 3 capturas de pantalla están asociadas con las primeras 3 opciones. No me molesto en pegar el asociado a "Ninguno".
4. Entonces, como puedes adivinar. El gráfico de la "Función escalonada" no cambió. La trama de "Puntos", la versión del marcador, cambió. Más específicamente, las posiciones del eje y de los marcadores cambiaron. Y las nuevas posiciones corresponden a la segunda columna, "Estimación de punto medio", en la tabla anterior. Ahora voy a explicar qué son las "Estimaciones de punto medio". Mire la segunda fila, la estimación de punto medio y la estimación de Turnbull. El punto medio 0.09523810 es el promedio de 0 y 0.19047620, los valores de la primera y segunda fila bajo Turnbull. Mira la tercera fila. En esta fila, la estimación del punto medio 0.38095239 es el promedio de 0.19047620 y 0.57142857, los valores de la segunda y tercera fila bajo Turnbull. Etc., etc.
Además de las posiciones del eje y, también necesito señalar las posiciones del eje x de esos marcadores. Las posiciones del eje x de los marcadores son el comienzo de los pasos en la representación de la función de paso. Entonces son 100, 120, 190 y 220, o los valores en la primera columna Inicio.
5. La estimación del punto medio ya se usó para fines de trazado cuando los datos solo están censurados por la derecha. Sin embargo, no se tomó la misma decisión para los datos censurados por intervalos en versiones anteriores.
6. La estimación del punto medio también se conoce como "ajuste del punto medio". Y tal ajuste no es único. Hay otros tipos de ajustes en la literatura. El ajuste del punto medio es crucial para trazar datos censurados por la derecha, porque de lo contrario, el gráfico generará la idea errónea de que una estimación paramétrica está sesgada si se superpone la versión del marcador de la estimación no paramétrica. El ajuste no es crucial para los datos censurados por intervalos. Se tomó una decisión en el ciclo de desarrollo de JMP17 para que las dos situaciones fueran consistentes.
7. Ahora, tal vez lo más alucinante sea la asociación entre los cuatro marcadores y los puntos de datos. Es para adaptarse a la tradición de que los marcadores están asociados con datos y se pueden cepillar. Entonces el comportamiento depende de la implementación. El comportamiento tiene que ver con las posiciones del eje x de esos marcadores. En JMP 17, si pasa el pincel por el primer marcador en la parte inferior izquierda, cuya posición en el eje x es 100, debería ver resaltadas tres filas en las tablas de datos. Ahora mire esas tres filas, todas tienen 100 metido dentro de los intervalos de censura correspondientes. Esa es la regla de asociación. Mientras tanto, debería ver que los marcadores segundo y tercero también se resaltan. Sus posiciones en el eje x son 120 y 190. Dado que los aspectos más destacados van en ambos sentidos, desde la tabla de datos hasta la gráfica. Las filas resaltadas también se repiten en 120 y 190.
Al final, como resumen. Los marcadores en el gráfico están asociados con una estimación no paramétrica. Los marcadores se asocian con puntos de datos haciendo coincidir las posiciones del eje x de los marcadores con las observaciones. El cambio de JMP16 a JMP17 no debería afectar ninguna decisión existente. Pero la plataforma en sí es un poco más consistente en el futuro, además de brindar más opciones para adaptarse a diferentes preferencias.
