William Q. Meeker, PhD, Professore illustre di statistica, Iowa State University
Chris Gotwalt, PhD, JMP Direttore della ricerca statistica e dello sviluppo, 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 affidabili per applicazioni in cui non è disponibile un metodo esatto e quando le dimensioni del campione non sono sufficientemente grandi da poter contare su metodi approssimativi di grandi campioni facili da calcolare, come gli intervalli di confidenza di Wald (approssimazione normale). Tuttavia, ci sono molte applicazioni in cui il metodo bootstrap del 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 combinazione limitata di successi e fallimenti tra le variabili esplicative e 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 ricampionamenti in cui non è possibile stimare tutti i parametri nel modello. Questa presentazione mostrerà come il metodo bootstrap del peso casuale frazionario, implementato in JMP Pro, può evitare questi problemi e fornire intervalli di confidenza affidabili.
