Nouvelles options de distribution dans JMP 10: Quantiles personnalisésma précédent blog discuté de deux nouvelles options dans le JMP 10 Plate-forme de distribution pour la personnalisation des statistiques de synthèse et des rapports de quantiles par défaut. Cet article de blog présente une autre nouvelle fonctionnalité JMP 10 pour la plate-forme de distribution pour les données continues: Custom Quantiles. Cette fonctionnalité offre à l'utilisateur encore plus d'options de personnalisation pour l'étude des quantiles. Les quantiles personnalisés, disponibles dans le menu Options d'affichage, permettent à l'utilisateur de saisir un nombre et une valeur quelconques de quantiles personnalisés. Il présente deux types différents d’estimations quantiles ainsi que leurs intervalles de confiance.
Pour illustrer les nouvelles fonctionnalités Custom Quantiles, examinons les poids des étudiants trouvés dans Big Class.jmp dans le dossier Sample Data de JMP. En particulier, nous souhaitons étudier les quantiles de pondération de 5%, 50% (médiane) et 95% pour cet ensemble d'étudiants, ainsi que leurs intervalles de confiance à 95%. La figure 1 illustre la boîte de dialogue Custom Quantiles avec nos quantiles d’intérêt entrés dans la liste, qui est la méthode de saisie par défaut.
La figure 2 montre le rapport Custom Quantiles vers le bas. Le premier type d'estimation quantile est le même type d'estimation quantique empirique que ceux trouvés dans le rapport sur les quantiles par défaut. Des intervalles de confiance non paramétriques basés sur des statistiques d'ordre sont calculés pour ces quantiles empiriques. Avec les ensembles de données contenant peu de lignes, un inconvénient majeur de ces types d'intervalles de confiance est que leur probabilité réelle de contenir le quantile de population réel peut être très inférieure au niveau de confiance spécifié. Pour remédier à cette limitation, nous avons également ajouté des estimations quantiles de vraisemblance empirique lissées, basées sur une estimation de la densité du noyau. Un avantage de ces estimations quantiles est que leurs intervalles de confiance ont tendance à contenir le quantile vrai avec le niveau de confiance promis.
Dans notre rapport Custom Quantiles pour les pondérations, notez que les estimations quantiles empiriques et les estimations quantiles de vraisemblance empirique lissées sont assez similaires. En examinant la première partie du rapport avec les estimations quantiques empiriques, vous constatez que la couverture réelle des intervalles de confiance pour ces estimations quantiles à 95% et 5% ne correspond pas au niveau de confiance à 95%. Ces intervalles de confiance couvrent l’ensemble des données avec un niveau de confiance de seulement 87%. Étant donné que la taille de l'échantillon de données est relativement petite (40 observations), il est impossible de créer ces intervalles de confiance à un niveau de confiance de 95%. De plus, l'intervalle de confiance pour la médiane, l'estimation quantile à 50%, est un peu conservateur avec un niveau de confiance de 96%. Examinons maintenant la deuxième partie du rapport avec les estimations quantiles de vraisemblance empiriques lissées. Vous voyez que nous obtenons de véritables intervalles de confiance à 95% pour toutes ces estimations quantiles.
Vous trouverez ci-dessous des références pour en savoir plus sur ces quantiles et leurs intervalles de confiance:
Hahn, GJ et Meeker, WQ (1991), Intervalles statistiques: un guide pour les praticiens , New York: John Wiley & Sons.
Chen, Song Xi et Hall, Peter (1993) Intervalles de confiance empiriques lissés vraisemblables pour Quantiles. Les annales de la statistique Vol. 21, n ° 3, 1166-1181.
Laura Lancaster a écrit: Bonjour Cyrus, oui. Cela a été ajouté mendier Laura Lancaster a écrit:
Salut Cyrus
Oui. Cela a été ajouté à partir de JMP 10. Pour le trouver, ouvrez la plateforme de distribution avec une colonne de données continue. Dans le menu de petit triangle rouge de la distribution de votre colonne, allez dans le sous-menu "Options d'affichage", puis sélectionnez "Quantiles personnalisés". En outre, voici quelques scripts JSL que vous pouvez utiliser pour voir cela en utilisant Big Class.jmp à partir des exemples de données.
Distribution(
Distribution continue (
Colonne (: hauteur),
Quantiles personnalisés (0.95, [0.2, 0.4, 0.6, 0.8])
)
)
Faites-moi savoir si ce n'est toujours pas clair.
Merci!
Laura
Cyrus a écrit: Cela at-il déjà été mis en œuvre? Je cours J ... Cyrus a écrit:
Cela at-il déjà été mis en œuvre? J'utilise JMP 11 et je ne trouve cette capacité nulle part.
Re: Nouvelles options de distribution dans JMP 10: Quantiles personnaliséssalut @laural_jmp Merci encore pour cette contribution et l'explication. Ce que je me suis rendu compte dans le cadre de mon travail, c’est que je n’ai pas bien compris ce que sont les quantiles! Il peut être utile de développer ceci dans une certaine mesure dans le contexte de la littérature d’aide du JMP ou de Wikipedia (qui contient quelques explications sur le sujet, même si j’estime que cela n’est peut-être pas assez pratique pour le statisticien en ingénierie appliquée).
Pouvez-vous m'aider à préciser quelle est la principale différence entre "Quantiles: Uncentered et Unscaled" (indiqué dans le cadre vert de mon image jointe et généré sous "Ajuster la distribution continue" et les Quantiles par défaut (ou ceux générés à l'aide de "Personnalisé" Quantiles "comme indiqué dans la case verte) dans lesquels JMP calcule?
Voir ci-joint.
Merci! @ PatrickGiuliano
Re: Nouvelles options de distribution dans JMP 10: Quantiles personnalisésBonjour Patrick
La grande différence entre les quantiles que vous avez soulignés est que le "Quantiles: Uncentered and Unscaled" situé sous le contour de Fitted Shash utilise en réalité des quantiles de la distribution SHASH ajustée. (Vous pouvez en apprendre plus sur la distribution SHASH ici: https://www.jmp.com/support/help/fr/15.0/#page/jmp%2Ffitted-quantiles.shtml%23ww1162331#ww175052/ )
Les quantiles situés sous le plan Custom Quantiles ne supposent aucun type de distribution (Normal, SHASH, etc.) et utilisent simplement les données pour calculer les quantiles. Ce sont des quantiles empiriques. La méthode que nous utilisons est décrite ici: http://www.jmp.com/support/help/fr/15.0/?os=win&source=application#page/jmp%2Fquantiles.shtml%23ww1161553 )
J'espère que ça aide.
Merci.
Laura
Re: Nouvelles options de distribution dans JMP 10: Quantiles personnalisésBonjour Laura
Je ne parviens pas à calculer les intervalles de confiance de 50% sur le centile de 95%. Cela me donne une estimation, mais pas les IC supérieurs et inférieurs. Savez-vous pourquoi cela peut être le cas? J'ai une variable continue dans la distribution, sans aucune donnée manquante. J'ai joint une capture d'écran ci-dessous.
Merci,
Todd
Re: Nouvelles options de distribution dans JMP 10: Quantiles personnaliséssalut @spirotodd , J’ai essayé de reproduire un ensemble de données aussi proche que possible de celui que vous avez résumé dans votre plate-forme de distribution Image. Je suis arrivé avec un scénario similaire, sauf que la médiane de mon jeu de données est égale à 1 et pas 2 comme le vôtre (voir ci-joint). Je ne suis pas sûr du calcul pour les limites de confiance supérieure et inférieure du 95e centile (il devrait s'agir d'une estimation non paramétrique, de sorte qu'elle n'utilisera pas les tables t ou z standard, et ne sera pas égale à fonction de vraisemblance empirique lissée), mais fondamentalement, les estimations doivent être fondées sur une fonction des données.
J'ai généré le tracé CDF à l'intérieur de la plateforme de distribution. Cela met en évidence le fait que vous disposez de données limitées couvrant la plage de votre variable de réponse - et dans de nombreux cas, vous n'avez pas de valeurs dans cette plage. En d'autres termes, vos données sont «résolution limitée». En d'autres termes, vos données présentent des symptômes de discrimination inadéquate (lisibilité ou résolution).
Vous pouvez également le voir dans un graphique I & MR (vous pouvez en générer un dans le générateur de graphique de contrôle). Vous pouvez randomiser l’ordre des données si cet ordre n’a pas d’importance et vous le verrez pour la plage en mouvement. les plages sont nulles ou très proches de zéro.
Aux fins de la naïveté, supposons que les limites de confiance supérieure et inférieure de 50% observées sur le 95e centile observé de 24 soient égales à 23 et 26 respectivement, pour correspondre à celles calculées à l'aide des quantiles de similarité emperiques lissés. Ce que je remarque ici, c’est qu’à ces valeurs particulières, le CDF est parfaitement «plat». Peut-on en déduire que les valeurs calculées sur la base de ces données sont (mathématiquement) non définies? Prenons un scénario similaire dans lequel nous sommes au 75e centile et nous essayons de calculer les limites de confiance supérieure et inférieure à 50%. Ici, nous pourrions être entre ~ 5.5 et ~ 19 si la fonction de distribution était lisse par morceaux. Dans ce cas, nous n’avons aucune résolution (encore une fois, nous sommes sur la partie plate du CDF).
Ceci est juste ma pensée, espérons que cela aide d'une certaine manière. À votre santé
