JMP® 和 JMP® Pro 中的模擬方法，特別強調分數隨機權重引導程序 (EU 2018 418)級別：電源
William Q. Meeker，愛荷華州立大學統計學教授和特聘教授
Chris Gotwalt，JMP 統計研究與開發總監，SAS
在本次會議中，我們將展示幾個示例，說明 JMP 如何使基於模擬的統計方法的利用變得容易。 我們將從可靠性應用開始，並展示當在生命分佈平台和 Fit Life By X 平台中使用貝葉斯技術的觀察很少時，如何獲得更精細的推論。 然後，我們將通過幾個使用示例介紹 JMP Pro 中的一鍵式引導程序，並特別強調分數隨機權重引導程序。
幾十年來，基於重採樣的經典引導程序一直被廣泛用於計算可靠的置信區間，適用於沒有可用精確方法以及樣本量不夠大而無法依賴易於計算的大樣本近似方法的應用程序。
然而，有許多應用程序無法使用重採樣自舉方法。 這些包括數據受到嚴格審查的情況；當“成功”響應是罕見事件或解釋變量中成功和失敗的混合有限時，邏輯回歸；並設計了參數數量接近觀察數量的實驗。 這三種情況的共同點是，在相當大比例的重新抽樣中可能無法估計模型中的所有參數。 分數隨機權重引導方法可用於避免這些問題並提供可靠的置信區間。
接下來，我們將演示如何使用 JMP Pro 中的模擬功能進行功效計算。 這使得在整個 JMP 中為許多分析進行功效計算變得簡單明了，特別是結果為二元的設計實驗。 最後，我們將展示如何使用 Profiler 中的 Save Bagged Estimates 選項獲得神經網絡預測的置信區間。
