William Q. Meeker, PhD, professeur émérite de statistiques, Université d'État de l'Iowa
Chris Gotwalt, PhD, JMP Directeur de la recherche et du développement statistiques, SAS
Cette présentation a été élue meilleure communication invitée.
Depuis plusieurs décennies, le bootstrap, basé sur le rééchantillonnage, est une méthode largement utilisée pour calculer des intervalles de confiance fiables dans les applications où aucune méthode exacte n'est disponible et où les tailles d'échantillon ne permettent pas de s'appuyer sur des méthodes approximatives faciles à calculer pour les grands échantillons, telles que les intervalles de confiance de Wald (approximation normale). Cependant, il existe de nombreuses applications où la méthode du bootstrap par rééchantillonnage est inutilisable. Il s'agit notamment des situations où les données sont fortement censurées, de la régression logistique lorsque la réponse « succès » est rare ou lorsque la combinaison de succès et d'échecs entre les variables explicatives est limitée, et des expériences planifiées où le nombre de paramètres est proche du nombre d'observations. Le point commun de ces trois situations est qu'une proportion importante des rééchantillonnages peut ne pas permettre d'estimer tous les paramètres du modèle. Cet exposé montrera comment la méthode du bootstrap à pondération aléatoire fractionnaire, implémentée dans JMP Pro, permet d'éviter ces problèmes et de fournir des intervalles de confiance fiables.
