Nuove opzioni di distribuzione in JMP 10: Quantili personalizzatiMio post precedente del blog discusso due nuove opzioni nel JMP 10 Piattaforma di distribuzione per la personalizzazione delle statistiche di riepilogo e dei rapporti di quantizzazione predefiniti. Questo post sul blog discute un'altra nuova funzionalità di JMP 10 per la piattaforma di distribuzione per i dati continui: Quantili personalizzati. Questa funzione offre all'utente ancora più opzioni di personalizzazione per lo studio dei quantili. I Quantili personalizzati, che possono essere trovati nel menu Opzioni di visualizzazione, consentono a un utente di inserire qualsiasi numero e valore di quantili personalizzati. Riporta due diversi tipi di stime quantiliche, nonché i loro intervalli di confidenza.
Per dimostrare le nuove funzionalità di Quantili personalizzati, esaminiamo i pesi degli studenti trovati in Big Class.jmp nella cartella Dati di esempio di JMP. In particolare, vogliamo studiare i quantili del 5%, 50% (mediana) e peso del 95% per questo insieme di studenti, nonché i loro intervalli di confidenza al 95%. La Figura 1 mostra la finestra di dialogo Quantili personalizzati con i nostri quantili di interesse immessi nell'elenco, che è il metodo di immissione predefinito.
La Figura 2 mostra il rapporto Quantili personalizzati verso il basso. Il primo tipo di stima quantile è lo stesso tipo di stima quantistica empirica di quelli trovati nel rapporto di quantizzazione predefinito. Gli intervalli di confidenza non parametrici basati sulle statistiche degli ordini sono calcolati per questi quantili empirici. Con insiemi di dati che contengono poche righe, uno svantaggio significativo di questi tipi di intervalli di confidenza è che la loro effettiva probabilità di contenere il quantile di popolazione reale può essere molto inferiore al livello di confidenza specificato. Per ovviare a questa limitazione, abbiamo anche aggiunto stime quantiliche della probabilità empirica che sono basate su una stima della densità del kernel. Un vantaggio di queste stime quantili è che i loro intervalli di confidenza tendono a contenere il vero quantile con il livello di confidenza promesso.
Guardando il nostro rapporto sulle quantizzazioni personalizzate per i pesi, si noti che le stime empiriche dei quantili e le stime quantiliche della probabilità empirica sono abbastanza simili. Esaminando la prima parte del report con le stime quantitative empiriche, si vede che la copertura effettiva degli intervalli di confidenza per queste stime quantile del 95% e del 5% non soddisfa il livello di confidenza del 95%. Questi intervalli di confidenza coprono l'intero intervallo dei dati con un livello di confidenza dell'87%. Poiché la dimensione del campione di dati è relativamente piccola con 40 osservazioni, è impossibile creare questi intervalli di confidenza ad un livello di confidenza del 95%. Inoltre, l'intervallo di confidenza per la mediana, la stima quantile del 50%, è un po 'conservatore con un livello di confidenza del 96%. Esaminiamo ora la seconda parte del rapporto con le stime quantiliche di probabilità empirica livellate. Vedete che otteniamo veri intervalli di confidenza al 95% per tutte queste stime quantiliche.
I seguenti sono riferimenti per ulteriori informazioni su questi quantili e sui loro intervalli di confidenza:
Hahn, GJ e Meeker, WQ (1991), Intervalli statistici: una guida per i professionisti , New York: John Wiley & Sons.
Chen, Song Xi e Hall, Peter (1993) hanno attenuato gli intervalli di confidenza della probabilità empirica per i quantili. Gli annali delle statistiche , Vol. 21, n. 3, 1166-1181.
Laura Lancaster ha scritto: Ciao Ciro, sì. Questo è stato aggiunto beg ... Laura Lancaster ha scritto:
Ciao Ciro,
Sì. Questo è stato aggiunto a partire da JMP 10. Per trovarlo, apri la piattaforma di distribuzione con una colonna di dati continua. Sotto il piccolo menu a triangolo rosso per la distribuzione della tua colonna accedi al sottomenu "Display Option" e seleziona "Custom Quantiles". Inoltre, ecco alcuni script JSL che è possibile utilizzare per vedere questo utilizzando Big Class.jmp dai dati di esempio.
Distribuzione(
Distribuzione continua (
Colonna (: altezza),
Quantili personalizzati (0,95, [0,2, 0,4, 0,6, 0,8])
)
);
Fammi sapere se questo non è ancora chiaro.
Grazie!
Laura
Cyrus ha scritto: questo è mai stato implementato? Sto correndo J ... Cyrus ha scritto:
Questo è mai stato implementato? Sto utilizzando JMP 11 e non riesco a trovare questa abilità da nessuna parte.
Ri: Nuove opzioni di distribuzione in JMP 10: Quantili personalizzatiCiao @laural_jmp Grazie ancora per questo contributo e la spiegazione. Una cosa che mi ha fatto capire nel contesto del lavoro che sto facendo è che non ho compreso appieno cosa siano i quantili in primo luogo! Potrebbe essere utile approfondire questo aspetto in una certa misura nel contesto della letteratura di aiuto di JMP o di Wikipedia (che ha qualche spiegazione sull'argomento, sebbene ritenga che potrebbe non essere abbastanza pratico per lo statistico ingegneristico applicato)
Potete aiutarmi a chiarire per me qual è la differenza principale tra "Quantiles: Uncentered e Unscaled" (indicato nella casella verde nella mia immagine allegata e generato sotto "Fit Continuous Distribution" e il predefinito Quantiles (o quelli generati usando "Custom Quantili "come mostrato per riquadro verde) in cui viene calcolato JMP?
Vedi allegato.
Grazie! @PatrickGiuliano
Ri: Nuove opzioni di distribuzione in JMP 10: Quantili personalizzatiCiao Patrick,
La grande differenza tra i quantili che hai evidenziato è che "Quantiles: Uncentered and Unscaled" al di sotto del contorno di Fitted Shash usano effettivamente i quantili dalla distribuzione SHASH montata. (Puoi saperne di più sulla distribuzione SHASH qui: https://www.jmp.com/support/help/en/15.0/#page/jmp%2Ffitted-quantiles.shtml%23ww1162331#ww175052/ )
I quantili sotto il profilo di Quantili personalizzati non assumono alcun tipo di distribuzione (Normale, SHASH, ecc.) E usano solo i dati per calcolare i quantili. Questi sono quantili empirici. Il metodo che usiamo è descritto qui: https://www.jmp.com/support/help/en/15.0/?os=win&source=application#page/jmp%2Fquantiles.shtml%23ww1161553 )
Spero che questo possa essere d'aiuto.
Grazie.
Laura
Ri: Nuove opzioni di distribuzione in JMP 10: Quantili personalizzatiCiao Laura,
Sto riscontrando problemi nel calcolare gli intervalli di confidenza del 50% sul percentile del 95%. Mi sta dando una stima, ma non il CI superiore e inferiore. Sai perché questo potrebbe essere il caso? Ho una variabile continua nella distribuzione, senza dati mancanti. Ho allegato uno screenshot qui sotto.
Grazie,
Todd
Ri: Nuove opzioni di distribuzione in JMP 10: Quantili personalizzatiCiao @spirotodd , Ho provato a riprodurre un set di dati il più vicino possibile a quello che hai riassunto nella tua piattaforma di distribuzione Image. Ho escogitato uno scenario simile, tranne per il fatto che la mediana del mio set di dati è uguale a 1 e non a 2 come la tua (vedi allegato). Non sono sicuro di quale sia la matematica per il limite di confidenza superiore e inferiore sul 95 ° percentile (dovrebbe essere una stima non parametrica, quindi non utilizzerà tabelle t o z standard e non sarà uguale a una funzione di verosimiglianza empirica smussata), ma fondamentalmente le stime devono basarsi su alcune funzioni dei dati.
Ho generato il diagramma CDF all'interno della piattaforma di distribuzione. Ciò evidenzia l'intuizione che hai dati limitati che coprono l'intervallo della tua variabile di risposta - e in molti casi non hai valori all'interno di questo intervallo. In altre parole, i tuoi dati sono "a risoluzione limitata". In altre parole, i tuoi dati mostrano sintomi di discriminazione inadeguata (ovvero leggibilità o risoluzione).
Puoi anche vedere questo in un grafico I&MR (puoi generarne uno nel Generatore di grafici di controllo), Puoi randomizzare l'ordine dei dati se l'ordine non ha importanza e vedrai che per l'intervallo mobile, molti degli spostamenti gli intervalli sono zero o molto vicini a zero.
Ai fini dell'ingenuità, supponiamo che i limiti di confidenza superiore e inferiore del 50% sul 95 ° percentile osservato di 24 siano rispettivamente 23 e 26, per allinearli con quelli calcolati usando i quantili di probabilità empirica levigata. Quello che noto qui è che a quei valori particolari, il CDF è perfettamente "piatto". Potremmo prendere questo per significare che i valori calcolati sulla base di questi dati sono (matematicamente) indefiniti? Considera uno scenario simile in cui siamo al 75 ° percentile e proviamo a calcolare i limiti di confidenza superiore e inferiore del 50%. Qui potremmo essere tra ~ 5,5 e ~ 19 se la funzione di distribuzione fosse scorrevole. In tal caso non abbiamo alcuna risoluzione (di nuovo siamo sulla parte piatta del CDF).
Questo è solo il mio pensiero, speriamo che aiuti in qualche modo. Saluti
