Utilizzando lo script seguente come esempio, il report F2 mostra che l'intervallo di confidenza BCa è [50.459, 61.602].Il salvataggio dei campioni bootstrap in una tabella dati e l'esecuzione dell'analisi della distribuzione su di essi produce risultati diversi, l'intervallo di confidenza BCa è [50,4786, 61,6594] (vedere di seguito).Questi risultati dovrebbero corrispondere?In caso contrario, cosa mi manca che spieghi perché sono diversi?
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 )
)
);Questo articolo è stato scritto dal dottor Hyde per aiutarmi. Ho ricevuto la seguente domanda da un cliente e questa domanda è l'innesco di questo post.
Quando il mio cliente ha condotto l'analisi f2, ha riscontrato una differenza significativa tra i risultati ottenuti utilizzando il metodo BCa (60) e il metodo Percentile (46.3), che potrebbe potenzialmente portare al rifiuto dell'equivalenza. (fare riferimento all'immagine seguente, il lato sinistro è BCa e il lato destro è Percentile).
E dopo un po', ho trovato la risposta perfetta a questa domanda dal giornale ( @Chandramouli_R Mi ha dato).
Ho collegato la fonte dell'articolo di seguito e, poiché è un articolo piuttosto lungo, l'ho anche riassunto qui.
_________________________________________________________________________________________________
In conclusione, se i dati presentano una varianza ampia, è naturale ottenere risultati in cui il limite inferiore di BCa è ' in modo significativo ' superiore al limite inferiore del percentile a causa della correzione del bias e della correzione della distribuzione dell'asimmetria.
Poiché la varianza contribuisce alla distorsione e all'asimmetria, se vuoi calcolare l'IC considerando questo aspetto, posso consigliare di utilizzare il metodo BCa.
Se la varianza non è ampia ed è tutta gestita al di sotto del 10-20%, la distribuzione F2 del bootstrap segue generalmente una distribuzione normale e non ci sarà alcuna differenza significativa nelle conclusioni del CI percentile e del CI BCa.
Tuttavia, una varianza elevata provoca asimmetria e distorsione della distribuzione e il metodo dell'IC percentile ottiene solo il limite inferiore del punto 5% indipendentemente dalla distorsione e dalla distorsione della distribuzione, quindi non è preciso.
Il metodo BCa ottiene Z0, una variabile che corregge il bias, e A, che corregge l'asimmetria. Z0 è correlato alla proporzione di stime bootstrap inferiori alla statistica osservata e a è proporzionale all'asimmetria della distribuzione bootstrap.
Considerando ciò, nel metodo BCa CI, se la distribuzione del bootstrap è distorta positivamente, l'IC viene adattata a destra, mentre se la distribuzione del bootstrap è distorta negativamente, l'IC viene adattata a sinistra. In altre parole, il metodo BCa CI fornisce risultati più accurati e una migliore sensibilità regolando l'intervallo di confidenza.
Poiché gli approcci di correzione del bias e di accelerazione correggono l'asimmetria della distribuzione in questo modo, l'IC inferiore di BCa f2 può generalmente essere superiore a quello stimato con il metodo dell'IC percentile, aumentando così la probabilità di somiglianza.
In effetti, esiste un documento (mi ha dato Chandra) che sperimenta per vedere quanto il limite inferiore BCa e il limite inferiore del percentile possono differire all'aumentare della varianza.
Si prega di fare riferimento alla tabella. La tabella seguente mette a confronto JMP, DD Solver, SAS e PhEq.
Quello che devo vedere è confrontare il JMP calcolato utilizzando il metodo BCa, con il PhEq calcolato utilizzando il Metodo Percentile che ho contrassegnato in un riquadro rosso.
Posso vedere che la differenza nei risultati è lieve nell'intervallo del 10-20%, ma passando al 40-50% e al 70-80%, puoi vedere che il valore BCa è superiore al percentile e la differenza è significativo.
*Fonte del documento: Confronto dei profili di dissoluzione utilizzando approcci bootstrap convenzionali e con correzione del bias e accelerati f2 con diversi software: impatto della variabilità, dimensione del campione e numero di bootstrap | AAPS PharmSciTech (springer.com)
