William Q. Meeker, PhD, illustre professore di statistica, Iowa State University
Chris Gotwalt, PhD, Direttore della ricerca e sviluppo statistico JMP, SAS
Questa presentazione è stata votata come miglior articolo su invito.
Per diversi decenni, il bootstrap, basato sul ricampionamento, è stato un metodo ampiamente utilizzato per calcolare intervalli di confidenza attendibili per applicazioni in cui non è disponibile un metodo esatto e quando le dimensioni del campione non sono abbastanza grandi da poter fare affidamento su grandi parametri facili da calcolare. -metodi approssimativi campione, come gli intervalli di confidenza Wald (approssimazione normale). Esistono, tuttavia, molte applicazioni in cui non è possibile utilizzare il metodo bootstrap di ricampionamento. Questi includono situazioni in cui i dati sono pesantemente censurati, regressione logistica quando la risposta di "successo" è un evento raro o dove c'è una miscela limitata di successi e fallimenti nelle variabili esplicative ed esperimenti progettati in cui il numero di parametri è vicino al numero di osservazioni. Ciò che queste tre situazioni hanno in comune è che potrebbe esserci una parte sostanziale dei campioni per cui non è possibile stimare tutti i parametri del modello. Questo intervento mostrerà come il metodo bootstrap con peso casuale frazionario, implementato in JMP Pro, possa evitare questi problemi e fornire intervalli di confidenza affidabili.
