Livello: Potenza
William Q. Meeker, professore di statistica e professore illustre, Iowa State University
Chris Gotwalt, JMP Direttore della ricerca statistica e dello sviluppo, SAS
In questa sessione mostreremo diversi esempi di come JMP ha reso facile sfruttare i metodi statistici basati sulla simulazione. Inizieremo con le applicazioni di affidabilità e mostreremo come ottenere inferenze più raffinate quando ci sono pochissime osservazioni utilizzando tecniche bayesiane nella piattaforma Life Distribution e nella piattaforma Fit Life By X. Introdurremo quindi il Bootstrap One-Click in JMP Pro con diversi esempi di utilizzo, con particolare attenzione al bootstrap a peso casuale frazionario.
Il bootstrap classico, basato sul ricampionamento, è stato ampiamente utilizzato per decenni per calcolare intervalli di confidenza affidabili per applicazioni in cui non è disponibile un metodo esatto e quando le dimensioni del campione non sono sufficientemente grandi per fare affidamento su metodi approssimativi per campioni di grandi dimensioni facili da calcolare.
Tuttavia, ci sono molte applicazioni in cui il metodo bootstrap di ricampionamento non può essere utilizzato. Tra queste, ci sono situazioni in cui i dati sono pesantemente censurati; regressione logistica quando la risposta di "successo" è un evento raro o in cui c'è una limitata combinazione di successi e fallimenti tra le 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 essere impossibile in una parte sostanziale dei ricampionamenti stimare tutti i parametri nel modello. Il metodo bootstrap a peso casuale frazionario può essere utilizzato per evitare questi problemi e fornire intervalli di confidenza affidabili.
Successivamente mostreremo come eseguire calcoli di potenza utilizzando la Simulate Feature in JMP Pro. Ciò semplifica l'esecuzione di calcoli di potenza per molte analisi in JMP, in particolare esperimenti progettati in cui il risultato è binario. Infine, mostreremo come ottenere intervalli di confidenza sulle previsioni di reti neurali utilizzando l'opzione Save Bagged Estimates nel Profiler.
