Nivel: Poder
William Q. Meeker, profesor de Estadística y profesor distinguido de la Universidad Estatal de Iowa
Chris Gotwalt, Director de Investigación y Desarrollo Estadístico del JMP, SAS
En esta sesión, mostraremos varios ejemplos de cómo JMP ha facilitado el aprovechamiento de los métodos estadísticos basados en simulación. Comenzaremos con aplicaciones de fiabilidad y mostraremos cómo obtener inferencias más refinadas con muy pocas observaciones utilizando técnicas bayesianas en la Plataforma de Distribución de Vida y en la plataforma Fit Life By X. A continuación, presentaremos el Bootstrap de un solo clic en JMP Pro con varios ejemplos de uso, con especial énfasis en el bootstrap de peso aleatorio fraccional.
El método bootstrap clásico, basado en el remuestreo, se ha utilizado ampliamente durante décadas para calcular intervalos de confianza fiables para aplicaciones en las que no se dispone de un método exacto y cuando los tamaños de muestra no son lo suficientemente grandes como para confiar en métodos aproximados de muestras grandes fáciles de calcular.
Sin embargo, existen muchas aplicaciones en las que no es posible utilizar el método bootstrap de remuestreo. Estas incluyen situaciones en las que los datos están fuertemente censurados; la regresión logística, cuando la respuesta de "éxito" es un evento poco frecuente o existe una mezcla limitada de éxitos y fracasos en las variables explicativas; y los experimentos diseñados donde el número de parámetros se acerca al número de observaciones. Lo que estas tres situaciones tienen en común es que, en una proporción sustancial de los remuestreos, puede resultar imposible estimar todos los parámetros del modelo. El método bootstrap de ponderación aleatoria fraccional puede utilizarse para evitar estos problemas y proporcionar intervalos de confianza fiables.
A continuación, demostraremos cómo realizar cálculos de potencia con la función Simular de JMP Pro. Esto facilita el cálculo de potencia para numerosos análisis en JMP, en particular para experimentos diseñados con resultados binarios. Finalmente, mostraremos cómo obtener intervalos de confianza en las predicciones de redes neuronales mediante la opción Guardar estimaciones en bolsas del perfilador.
