En utilisant le script ci-dessous comme exemple, le rapport F2 montre que l'intervalle de confiance BCa est [50,459, 61,602].L'enregistrement des échantillons bootstrap dans une table de données et l'exécution d'une analyse de distribution sur eux produisent des résultats différents, l'intervalle de confiance BCa est [50,4786, 61,6594] (voir ci-dessous).Ces résultats devraient-ils correspondre ?Sinon, qu'est-ce qui me manque pour expliquer pourquoi ils sont différents ?
dt = open("$Sample_Data/Dissolution DoE.jmp");
this_fc = dt << Fit Curve(
Data Format( Row ),
Y( :Dissolution 60, :Dissolution 120, :Dissolution 240, :Dissolution 360 ),
Group( :Set ),
F2 Analysis(
Alpha( 0.1 ),
Reference Level( "A" ),
Bootstrap Samples( 2500 ),
Random Seed( 123456 )
)
);
this_fc << (Fit[1] << Save Bootstrap Results);
Wait( 0 );
Current Data Table() << Distribution(
Arrange in Rows( 1 ),
Continuous Distribution(
Column( :R F2 ),
Horizontal Layout( 1 ),
Vertical( 0 ),
Process Capability( 0 )
)
);Cet article a été rédigé par le Dr Hyde pour m'aider. J'ai reçu la question suivante d'un client, et cette question est le déclencheur de ce message.
Lorsque mon client a effectué une analyse f2, il a constaté une différence significative entre les résultats obtenus avec la méthode BCa (60) et la méthode Percentile (46,3), ce qui pourrait potentiellement conduire au rejet de l'équivalence. (reportez-vous à l'image ci-dessous, le côté gauche est BCa et le côté droit est le centile).
Et après un moment, j'ai trouvé la réponse parfaite à cette question dans le journal ( @Chandramouli_R M'a donné).
J'ai lié la source de l'article ci-dessous, et comme il s'agit d'un article assez long, je l'ai également résumé ici.
________________________________________________________________________________________________
En conclusion, si les données présentent une grande variance, il est naturel d'obtenir des résultats où la limite inférieure de BCa est ' significativement ' supérieur à la limite inférieure du centile en raison de la correction du biais et de la correction de l'asymétrie de la distribution.
Étant donné que la variance contribue au biais et à l'asymétrie, si vous souhaitez calculer l'IC en tenant compte de cet aspect, je peux vous recommander d'utiliser la méthode BCa.
Si la variance n'est pas grande et est entièrement gérée en dessous de 10-20 %, la distribution F2 du bootstrap suit généralement une distribution normale, et il n'y aura pas de différence significative dans les conclusions du Percentile CI et du BCa CI.
Cependant, une grande variance entraîne une asymétrie et un biais de la distribution, et la méthode Percentile CI n'obtient que la limite inférieure du point de 5 %, quels que soient le biais et la distorsion de la distribution, elle n'est donc pas précise.
La méthode BCa obtient Z0, une variable qui corrige le biais, et A, qui corrige l'asymétrie. Z0 est lié à la proportion d’estimations bootstrap qui sont inférieures à la statistique observée, et a est proportionnel à l’asymétrie de la distribution bootstrap.
Compte tenu de cela, dans la méthode BCa CI, si la distribution du bootstrap est positivement asymétrique, l’IC est ajusté vers la droite, et si la distribution du bootstrap est négativement asymétrique, l’IC est ajusté vers la gauche. En d’autres termes, la méthode BCa CI fournit des résultats plus précis et une sensibilité améliorée en ajustant l’intervalle de confiance.
Étant donné que les approches de correction du biais et d'accélération corrigent ainsi l'asymétrie de la distribution, l'IC inférieur de BCa f2 peut généralement être supérieur à celui estimé par la méthode de l'IC centile, augmentant ainsi la probabilité de similarité.
En fait, il existe un article (Chandra m'a donné) qui expérimente pour voir dans quelle mesure la limite inférieure du BCa et la limite inférieure du centile peuvent différer à mesure que la variance augmente.
Veuillez vous référer au tableau. Le tableau ci-dessous compare JMP, DD Solver, SAS et PhEq.
Ce que j'ai besoin de voir, c'est de comparer le JMP calculé à l'aide de la méthode BCa, avec le PhEq calculé à l'aide de la méthode des centiles que j'ai marqué dans une case rouge.
Je peux voir que la différence dans les résultats est légère, de l'ordre de 10 à 20 % de variance, mais lorsque vous passez à 40 à 50 % et à 70 à 80 %, vous pouvez voir que la valeur BCa est supérieure au centile et la différence est significatif.
*Document source : Comparaison des profils de dissolution à l'aide d'approches bootstrap f2 conventionnelles, corrigées des biais et accélérées avec différents logiciels : impact de la variabilité, de la taille de l'échantillon et du nombre de bootstraps | AAPS PharmSciTech (springer.com)
