Utilizando el siguiente script como ejemplo, el informe F2 muestra que el intervalo de confianza de BCa es [50,459, 61,602].Guardar las muestras de arranque en una tabla de datos y ejecutar un análisis de distribución en ellas produce resultados diferentes; el intervalo de confianza de BCa es [50,4786, 61,6594] (ver más abajo).¿Deben coincidir estos resultados?Si no, ¿qué me falta que explique por qué son diferentes?
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 )
)
);Este artículo fue escrito por el Dr. Hyde para ayudarme. Recibí la siguiente pregunta de un cliente y esta pregunta es el motivo de esta publicación.
Cuando mi cliente realizó el análisis f2, encontró una diferencia significativa entre los resultados obtenidos utilizando el método BCa (60) y el método percentil (46.3), lo que potencialmente podría conducir al rechazo de la equivalencia. (consulte la imagen a continuación, el lado izquierdo es BCa y el lado derecho es Percentil).
Y después de un tiempo, encontré la respuesta perfecta para esto en el artículo ( @Chandramouli_R Me dio).
He vinculado la fuente del artículo a continuación y, dado que es un artículo bastante extenso, también lo he resumido aquí.
__________________________________________________________________________________
En conclusión, si los datos tienen una gran varianza, es natural obtener resultados donde el límite inferior de BCa sea ' significativamente ' mayor que el límite inferior del percentil debido a la corrección del sesgo y la corrección de la distribución de asimetría.
Dado que la varianza contribuye al sesgo y la asimetría, si desea calcular el IC considerando este aspecto, le recomiendo utilizar el método BCa.
Si la varianza no es grande y se maneja por debajo del 10-20 %, la distribución F2 del bootstrap generalmente sigue una distribución normal y no habrá diferencias significativas en las conclusiones del IC percentil y el IC BCa.
Sin embargo, una gran varianza causa asimetría y sesgo de la distribución, y el método de IC percentil solo obtiene el límite inferior del punto 5% independientemente del sesgo y la distorsión de la distribución, por lo que no es preciso.
El método BCa obtiene Z0, una variable que corrige el sesgo, y A, que corrige la asimetría. Z0 está relacionado con la proporción de estimaciones bootstrap que son más pequeñas que la estadística observada, y a es proporcional a la asimetría de la distribución bootstrap.
Teniendo esto en cuenta, en el método BCa CI, si la distribución del bootstrap está sesgada positivamente, el IC se ajusta hacia la derecha, y si la distribución del bootstrap está sesgada negativamente, el IC se ajusta hacia la izquierda. En otras palabras, el método de BCa CI proporciona resultados más precisos y una sensibilidad mejorada al ajustar el intervalo de confianza.
Debido a que los enfoques de corrección de sesgo y aceleración corrigen la asimetría de la distribución de esta manera, el IC más bajo de BCa f2 generalmente puede ser mayor que el estimado por el método de IC percentil, aumentando así la probabilidad de similitud.
De hecho, hay un artículo (me lo dio Chandra) que experimenta para ver cuánto pueden diferir el límite inferior de BCa y el límite inferior del percentil a medida que aumenta la varianza.
Consulte la tabla. La siguiente tabla compara JMP, DD Solver, SAS y PhEq.
Lo que necesito ver es comparar el JMP calculado con el método BCa, con el PhEq calculado con el método percentil que marqué en un cuadro rojo.
Puedo ver que la diferencia en los resultados es leve en el rango de variación del 10-20%, pero a medida que pasa al 40-50% y al 70-80%, puede ver que el valor de BCa es mayor que el percentil y la diferencia es significativo.
*Documento fuente: Comparación de perfiles de disolución utilizando enfoques de bootstrap f2 acelerados y con corrección de sesgo convencional y con diferentes software: impacto de la variabilidad, tamaño de la muestra y número de bootstraps | AAPS PharmSciTech (springer.com)
