Niveau: Puissance
William Q. Meeker, professeur de statistique et professeur distingué, Iowa State University
Chris Gotwalt, directeur de la recherche et du développement statistiques chez JMP, SAS
Dans cette session, nous allons montrer plusieurs exemples de la façon dont JMP a facilité l'utilisation des méthodes statistiques basées sur la simulation. Nous commencerons par les applications de fiabilité et montrerons comment obtenir des inférences plus fines lorsqu'il existe très peu d'observations utilisant les techniques bayésiennes dans la plate-forme Life Distribution et dans la plate-forme Fit Life By X. Nous présenterons ensuite le bootstrap One-Click dans JMP Pro avec plusieurs exemples d'utilisation, avec un accent particulier sur le bootstrap à poids fractionnel-aléatoire.
Le bootstrap classique, basé sur le ré-échantillonnage, est depuis des décennies largement utilisé pour calculer des intervalles de confiance fiables pour des applications où aucune méthode exacte n'est disponible et où la taille des échantillons n'est pas suffisante pour pouvoir compter sur des méthodes approximatives faciles à calculer.
Cependant, il existe de nombreuses applications pour lesquelles la méthode d'amorçage par rééchantillonnage ne peut pas être utilisée. Celles-ci incluent des situations où les données sont fortement censurées; régression logistique lorsque la réponse «succès» est un événement rare ou que le mélange de réussites et d'échecs est limité dans la ou les variables explicatives; et conçu des expériences où le nombre de paramètres est proche du nombre d'observations. Le point commun entre ces trois situations est qu’il peut être impossible dans une proportion substantielle des rééchantillons d’estimer tous les paramètres du modèle. La méthode d'amorçage à poids aléatoire fractionnel peut être utilisée pour éviter ces problèmes et fournir des intervalles de confiance fiables.
Nous montrerons ensuite comment effectuer des calculs de puissance à l'aide de la fonction Simuler dans JMP Pro. Cela facilite la réalisation des calculs de puissance pour de nombreuses analyses de JMP, notamment des expériences conçues où le résultat est binaire. Enfin, nous montrerons comment obtenir des intervalles de confiance sur les prévisions de réseau neuronal à l’aide de l’option Save Bagged Estimates du générateur de profil.
