Nivel: potencia
William Q. Meeker, profesor de estadística y profesor distinguido, Universidad Estatal de Iowa
Chris Gotwalt, Director de Investigación Estadística y Desarrollo de JMP, SAS
En esta sesión mostraremos varios ejemplos de cómo JMP ha hecho que sea fácil aprovechar los métodos estadísticos basados en simulación. Comenzaremos con las aplicaciones de confiabilidad y mostraremos cómo obtener inferencias más refinadas cuando haya muy pocas observaciones utilizando técnicas Bayesianas en la plataforma de distribución de vida y en la plataforma Fit Life By X. Luego presentaremos One-Click Bootstrap en JMP Pro con varios ejemplos de uso, con especial énfasis en el bootstrap de peso aleatorio fraccional.
El bootstrap clásico, basado en el remuestreo, se ha usado ampliamente durante décadas para calcular intervalos de confianza confiables para aplicaciones donde no se dispone de un método exacto y cuando los tamaños de muestra no son lo suficientemente grandes como para confiar en métodos aproximados de muestra grande, fáciles de calcular.
Sin embargo, existen muchas aplicaciones en las que no se puede utilizar el método de arranque de remuestreo. Estas incluyen situaciones donde los datos están fuertemente censurados; regresión logística cuando la respuesta de "éxito" es un evento raro o donde hay una mezcla limitada de éxitos y fracasos en la (s) variable (s) explicativa (s); y experimentos diseñados donde el número de parámetros es cercano al número de observaciones. Lo que estas tres situaciones tienen en común es que allí puede ser imposible en una proporción sustancial de las remuestras estimar todos los parámetros en el modelo. El método de arranque con carga aleatoria fraccional puede usarse para evitar estos problemas y proporcionar intervalos de confianza confiables.
A continuación, le mostraremos cómo realizar cálculos de potencia utilizando la función de simulación en JMP Pro. Esto hace que sea sencillo realizar cálculos de potencia para muchos análisis a lo largo de JMP, especialmente en experimentos diseñados donde el resultado es binario. Finalmente, le mostraremos cómo obtener intervalos de confianza en las predicciones de redes neuronales utilizando la opción Guardar estimaciones acumuladas en el Perfilador.
