Stanley Young , PhD, CEO, CGStat LLC
Bob Obenchain, PhD, Hauptberater, Risk Benefit Statistics LLC
Goran Krstic,Fraser Gesundheitsbehörde
Große (Beobachtungs-)Datensätze bieten typischerweise Forschungsmöglichkeiten, aber auch Probleme, die zu falschen Behauptungen führen können. Bei Big Data geht der Standardfehler einer Effektschätzung mit zunehmender Stichprobengröße gegen Null, sodass selbst kleine Verzerrungen zu erklärten (aber falschen) Behauptungen führen können. Darüber hinaus kann der Behandlungsdurchschnitt nahezu bedeutungslos sein, wenn Wechselwirkungen mit Störfaktoren auftreten, die lokale Variationen der Effektstärken verursachen. Data Miner benötigen statistische Methoden, die diese Verzerrungsquellen einfach und effizient bewältigen können. Hier demonstrieren wir die Verwendung des JMP-Add-Ins „Moving Median“ und der neuen JMP-Plattform „Local Control“ für die Analyse zweier Datensätze. Unsere erste Fallstudie veranschaulicht die Reduzierung der Verzerrung in einem Datensatz der Umweltepidemiologie. Unsere zweite Studie verwendet „Local Control“ anhand eines Zeitreihenbeispiels zur Luftqualität. Durch das Erkennen von Wechselwirkungen können Data Miner realistischere und relevantere Analysen erstellen, die die Verzerrung reduzieren, die typischerweise durch die Vielfalt und Heterogenität von Big Data entsteht.
