這已經不是什麼秘密了 JMP 擅長數據的視覺探索。 有一個健康的劑量統計也是。 但當被問及貝葉斯方法時，JMP可能不是第一個想到的軟件包。 JMP 10確實包含貝葉斯D-最優和I-最優設計實驗設計 （DOE）特徵和貝葉斯方差分量可用於可變性圖表。雖然貝葉斯方法可能在JMP中受到限制，但它是評估和總結從蒙特卡羅馬爾可夫鏈（MCMC）估計獲得的後驗樣本的完美工具。
讓我說清楚：JMP 才不是有使用（MCMC）在貝葉斯範式中擬合模型的方法，但它對於理解從其他包（例如PROC MCMC，WinBUGS或BRugs）獲得的後驗樣本很有價值。 您只需要免費提供的JMP加載項即可 MCMC診斷 （需要免費的SAS配置文件）。 下面我將使用來自Mehrotra＆Heyse（2004）中描述的疫苗試驗的數據，使用從PROC MCMC獲得的40個不良事件處理參數（對數比值比）的後驗樣本來描述插件。
圖1。JMP MCMC診斷對話框
MCMC Diagnostics對話框（圖1）顯示輸入數據集的所有變量（COLUMNS）。運行加載項的唯一要求是至少應指定一個PARAMETER。在這些情況下，假設所有樣本都來自單個馬爾可夫鏈，並且樣本將以從1到數據集中的總行數的跟踪圖編號。如果提供ITERATION，跟踪圖將反映適當的樣品編號（例如，如果去除了老化樣品）。如果生成多個馬爾可夫鏈以評估參數收斂到目標分佈，則CHAIN指定數值。COLOR PREFERENCE指定排除NULL VALUE（默認值為0）的任何可靠間隔的顏色（默認藍/紅）。在默認值下，完全在空值的右側或左側的間隔將分別為藍色或紅色。ALPHA（默認值為0.05）計算森林地塊的（1-α）˟100％可信區間。
圖2。MCMC診斷包括後方樣本的直方圖和密度函數，跟踪圖，自相關評估和Gelman-Rubin統計
該加載項生成圖2中的MCMC查看器窗口。“診斷”選項卡提供所有參數的鏈1的後驗樣本的直方圖，密度函數曲線和匯總統計。跟踪圖總結了鏈1樣本在迭代中的行為，並可用於評估鏈與目標分佈的收斂。直方圖和匯總統計總結了鏈1後驗樣本的自相關直至滯後25。如果分析包括多個馬爾可夫鏈，則跟踪圖同時匯總所有鏈，並提供Gelman-Rubin統計量。
圖3。後部樣本的95％等尾和HPD可信區間
JMP的交互性是加載項的關鍵優勢。最初折疊除第一個參數之外的所有參數的診斷輸出。通過選擇選項卡中的大綱框可以打開或關閉此輸出。默認情況下，非參數核密度曲線適合直方圖中的後驗樣本。但是，用戶可以從直方圖的紅色三角形菜單中添加多個參考線。如果需要，可以從任何跟踪圖的紅色三角形菜單生成部分自相關或變異函數摘要圖。
可靠間隔的森林圖選項卡使用來自鏈1的樣本提供兩個95％可信區間的數字。圖3總結了後驗樣本的等尾可信區間。這裡，這些間隔的下端點和上端點對應於2.5 日和97.5 日樣本的百分位數。此外，圖3總結了95％最高後驗密度（HPD）可信區間，這是最窄的區間，覆蓋了所有樣本的95％。對於兩個圖，分別使用圓和菱形匯總平均值和中值樣本值。只有T_17的間隔（對應於煩躁的不良事件）才排除假定的零值0。如果需要，這些數字的基礎統計數據只需按一下按鈕即可。
圖4。單變量概率計算器
單變量後驗概率計算器使用戶能夠定義參數的概率陳述，其結果總結在表格中（圖4）。範圍可以手動添加，或者滑塊可用於選擇限制，限制為鏈1中所有參數的樣本的最小值和最大值。
圖5。多變量概率計算器
多變量後驗概率計算器允許用戶定義同時考慮兩個或更多參數的概率語句。圖5說明了該計算器僅使用前五個不良事件的治療參數。我們計算治療對於天體/疲勞，發熱，感染 - 真菌，感染 - 病毒和不適同時的不良影響（基本上每個參數大於0）的後驗概率為0.1756。多變量計算器使用JMP數據過濾器來選擇滿足過濾器中定義的條件的數據表行。或者，用戶可以打開數據表並手動選擇行，或將函數應用於感興趣的列。選擇行後，用戶可以按下Calculate Timeterior Probability按鈕。
最後，當我們在對數刻度上分析優勢比參數時，可以使用Column菜單下的Transform函數輕鬆地將這些參數轉換為優勢比。
Mehrotra，DV＆Heyse，JF。（2004年）。“使用虛假髮現率評估臨床安全性數據。” 醫學研究中的統計方法 13：227-238。
