Questions tagged «fishers-exact»

鉴于如今软件可以轻松地进行Fisher精确检验的计算，在任何情况下，从理论上或实践上，卡方检验实际上都比Fisher精确检验更可取吗？ Fisher精确测试的优点包括： 缩放到大于2x2的列联表（即任何r x c表） 给出精确的p值 不需要最小期望单元格数即可有效

86 chi-squared  contingency-tables  fishers-exact 

我试图通过在处理简单的A / B测试时选择一种特定的测试方法来理解其原因-（例如，两个具有二进制响应的变体/组（已转换或未转换）。作为示例，我将使用以下数据 Version Visits Conversions A 2069 188 B 1826 220 此处的最高答案很好，并讨论了z，t和卡方检验的一些基本假设。但是令我感到困惑的是，不同的在线资源会引用不同的方法，您会认为基本A / B测试的假设应该几乎相同吗？ 例如，本文使用z-score： 本文使用以下公式（我不确定它是否与zscore计算不同？）： 本文引用了t检验（p 152）： 那么，对于这些不同的方法，可以提出哪些主张呢？为什么会有一个偏好？ 要增加一个候选者，可以将上面的表重写为2x2列联表，其中可以使用Fisher精确检验（p5） Non converters Converters Row Total Version A 1881 188 2069 Versions B 1606 220 1826 Column Total 3487 408 3895 但是，根据该线索， fisher的精确测试应仅在较小的样本量下使用（临界值是多少？） 然后有成对的t和z检验，f检验（以及逻辑回归，但我现在暂时不考虑）。在这个简单的A / B测试案例中，对不同方法进行某种论证。 使用示例数据，我得到以下p值 https://vwo.com/ab-split-test-significance-calculator/给出0.001的p值（z得分） http://www.evanmiller.org/ab-testing/chi-squared.html（使用卡方检验）得出的p值为0.00259 在R中fisher.test(rbind(c(1881,188),c(1606,220)))$p.value给出p值为0.002785305 …

38 statistical-significance  chi-squared  p-value  fishers-exact  z-statistic 

我被教导只在2x2的列联表中应用Fisher精确测试。 问题： 费舍尔本人是否曾设想过将这种测试用于大于2x2的表中（我知道他在尝试猜测一个老妇是否可以分辨是否向茶中添加了牛奶还是向茶中添加了茶的同时设计了该测试的传说） Stata允许我对任何列联表使用Fisher的精确测试。这有效吗？ 当列联表中的预期单元数小于5时，是否最好使用FET？

29 spss  stata  contingency-tables  fishers-exact 

在RA Fisher 著名的女士品尝茶实验中，该女士被告知有多少杯牛奶优先/茶优先的杯子（每8杯中有4杯）。这符合费舍尔精确检验的固定边际总假设。 我当时想和我的朋友一起做这个测试，但是这种想法震惊了我。如果女士能真正分辨出牛奶优先和茶优先杯子之间的区别，那么她应该能够算出牛奶优先/茶优先杯子的边际总量以及哪个是哪个。 因此，问题就来了：如果RA Fisher不告知女士牛奶第一杯和茶第一杯的总数，可以使用哪种测试？

18 hypothesis-testing  statistical-significance  fishers-exact  conditioning 

在下面的例子中 > m = matrix(c(3, 6, 5, 6), nrow=2) > m [,1] [,2] [1,] 3 5 [2,] 6 6 > (OR = (3/6)/(5/6)) #1 [1] 0.6 > fisher.test(m) #2 Fisher's Exact Test for Count Data data: m p-value = 0.6699 alternative hypothesis: true odds ratio is not equal to 1 …

14 r  odds-ratio  fishers-exact 

我正在尝试在模拟的遗传问题中应用费舍尔的精确检验，但是p值似乎偏向右侧。作为一名生物学家，我想我只是在漏掉每个统计学家显而易见的东西，因此，我将非常感谢您的帮助。 我的设置是这样的：（设置1，边际不固定） 在R中随机生成两个0和1的样本。每个样本n = 500，采样0和1的概率相等。然后，我将每个样本中0/1的比例与Fisher的精确测试进行比较（只是fisher.test；还尝试了具有类似结果的其他软件）。重复采样和测试3万次。产生的p值的分布如下： 所有p值的平均值约为0.55，在0.0577处为第5个百分点。即使分布在右侧看起来也不连续。 我一直在阅读所有内容，但我没有发现任何迹象表明这种行为是正常的-另一方面，这只是模拟数据，因此我看不到任何偏见的来源。我错过了任何调整吗？样本量太小？或者也许它不应该是均匀分布的，并且p值的解释不同？ 还是我应该重复一百万次，找到0.05分位数，并在将其应用于实际数据时将其用作显着性临界值？ 谢谢！ 更新： Michael M建议固定边际值0和1。现在，p值给出了更好的分布-不幸的是，它不是统一的，也不是我认识的任何其他形状： 添加实际的R代码：（设置2，固定的边距） samples=c(rep(1,500),rep(2,500)) alleles=c(rep(0,500),rep(1,500)) p=NULL for(i in 1:30000){ alleles=sample(alleles) p[i]=fisher.test(samples,alleles)$p.value } hist(p,breaks=50,col="grey",xlab="p-values",main="") 最终编辑： 正如胡布在评论中指出的那样，由于分箱，这些区域看上去只是扭曲了。我将附加设置1（免费边距）和设置2（固定边距）的QQ图。在下面的Glen模拟中可以看到类似的图，并且所有这些结果实际上似乎相当统一。谢谢您的帮助！

12 p-value  fishers-exact 

我想更好地理解费舍尔的精确测试，因此设计了以下玩具示例，其中f和m分别对应于男性和女性，而n和y对应于“苏打水消耗”，如下所示： > soda_gender f m n 0 5 y 5 0 显然，这是一个极大的简化，但是我不希望上下文妨碍您。在这里，我只是假设男性不喝苏打水，女性不喝苏打水，并想看看统计程序是否得出相同的结论。 在R中运行fisher精确测试时，得到以下结果： > fisher.test(soda_gender) Fisher's Exact Test for Count Data data: soda_gender p-value = 0.007937 alternative hypothesis: true odds ratio is not equal to 1 95 percent confidence interval: 0.0000000 0.4353226 sample estimates: odds ratio 0 在这里，由于p值为0.007937，我们可以得出结论，性别和苏打水消费是相关的。 我知道费舍尔精确检验与超基因组分布有关。因此，我想使用该方法获得相似的结果。换句话说，您可以按以下方式查看此问题：有10个球，其中5个标记为“雄性”，5个标记为“雌性”，您随机抽出5个球而不进行替换，并且看到0个雄性球。这种观察的机会是什么？为了回答这个问题，我使用了以下命令： > …

12 fishers-exact  hypergeometric  clustering  supervised-learning  modeling  econometrics  r  regression  residuals  heteroscedasticity  independence  distributions  self-study  matlab  libsvm  self-study  conditional-probability  conditional-expectation  hypothesis-testing  self-study  multiple-comparisons  mode  statistical-significance  chi-squared  multiple-comparisons  maximum-likelihood  poisson-process  optimization  uncertainty  genetic-algorithms  bayesian  model-selection  overfitting  maximum-likelihood  optimization  approximation  r  prediction  model-evaluation  r  machine-learning  survival  neural-networks  cox-model  machine-learning  bayesian  bayesian-network  hierarchical-bayesian  pooling 

生物学背景 随着时间的流逝，某些植物物种倾向于复制其整个基因组，从而获得每个基因的额外副本。由于这种设置的不稳定性，许多这些基因随后被删除，基因组重新排列并稳定下来，准备再次复制。这些复制事件与物种形成和入侵事件相关，并且理论上说复制可以帮助植物更快地适应其新环境。 羽扇豆属开花植物属入侵安第斯山脉，是有史以来发现的最迅速的物种形成事件之一，而且，与最密切相关的属巴氏杆菌属相比，它的基因组中有更多重复副本。 现在是数学问题： 已经对羽扇豆成员和巴氏杆菌成员的基因组进行了测序，从而提供了每个物种中约25,000个基因的原始数据。通过查询已知功能基因的数据库，我现在对基因可能具有的功能有了“最佳猜测”-例如，Gene1298可能与“果糖代谢，盐胁迫反应，冷胁迫反应”相关。我想知道，巴普蒂西亚和羽扇豆之间是否有重复事件，基因丢失是随机发生的，还是具有特定功能的基因更可能被保留或删除。 我有一个脚本，它将输出如下表所示的表。L *是与功能相关的所有羽扇豆基因的计数。L 1+是与至少存在一个重复副本的功能相关的羽扇豆基因的计数。我可以得到它来产生L 2 +，L 3+等，尽管由于测序过程，L 1+比L 2+更可靠。 Function | L * | L 1+ | B * | B 1+ | fructose metabolism | 1000 | 994 | 1290 | 876 | salt stress | 56 | 45 | 90 | 54 | etc. …

11 generalized-linear-model  contingency-tables  fishers-exact  genetics  bioinformatics 

在我的工作中，我看到了费舍尔精确检验的几种用法，我想知道它是否适合我的数据。看了几个资料，我了解了如何计算统计量，但从未见过对假定的零假设的清晰而正式的解释。 有人可以向我解释或推荐我对假设分布的正式解释吗？将感谢您对列联表中的值进行解释。

11 hypothesis-testing  chi-squared  multinomial  contingency-tables  fishers-exact 

我正在分析来自30位患者的小型数据集的2x2表。我们正在回顾性地尝试寻找一些变量，这些变量可以提示选择哪种治疗方法。变量（obs正常/奇怪）和治疗决策（A / B）具有特殊意义，因此数据如下所示： Obs / Tr。十二月正常奇怪一个12012乙13518岁25530Obs / Tr。十二月一个乙正常121325奇怪0551218岁30\begin{array} {|r|r|r|r|} \hline \text{Obs/Tr. Dec.} &\text{A} &\text{B}\\ \hline \text{normal} &12 &13 &25\\ \hline \text{strange} &0 &5 &5\\ \hline &12 &18 &30\\ \hline \hline \end{array} 显然，一个单元格缺少条目，这不包括卡方检验，而Fisher的精确检验没有给出饱和的p值（但仍小于10％）。因此，我的第一个想法是找到一种功能更强大的测试，并且在博客和本文中有关Barnard和Boschloos测试的文章中进行了阅读 ，总的来说，有以下三种情况可以产生强大的测试： 固定列和行和 Fisher的精确检验→→\rightarrow 固定的列或（xclusive）行和 Barnard的精确检验→→\rightarrow 没有固定的 Boschloos的精确测试→→\rightarrow 上面的文章指出，处理A和处理B的总和以前几乎是未知的，因此我们可以排除Fisher的精确检验。但是其他选择呢？如果我们有健康的对照，我们可以控制安慰剂和verum组，我们可以控制这些数字，因此可以选择2：Barnard。就我而言，我不确定，因为一方面我们有一个类似的数学问题（观察水平的总和等于安慰剂/ verum的总和），这导致了Barnard，但设计有所不同，因为我们无法控制nr。采样前正常/奇怪的观察结果，导致3：Boschloo。 那么应该使用哪个测试，为什么呢？我当然要大功率。 （我想知道的另一个问题是，如果在chisq.testr的情况下使用不是更好prop.test(x, alternative = "greater")？在这里对理论方面进行了说明。）

11 chi-squared  power  contingency-tables  fishers-exact 

假设我们有以下数据集： Men Women Dieting 10 30 Non-dieting 5 60 如果我在R中运行Fisher精确测试，那么alternative = greater（或更少）意味着什么？例如： mat = matrix(c(10,5,30,60), 2,2) fisher.test(mat, alternative="greater") 我得到的p-value = 0.01588和odds ratio = 3.943534。另外，当我像这样翻转列联表的行时： mat = matrix(c(5,10,60,30), 2, 2) fisher.test(mat, alternative="greater") 然后我得到p-value = 0.9967和odds ratio = 0.2535796。但是，当我在没有备用参数（即fisher.test(mat)）的情况下运行两个列联表时，我得到了p-value = 0.02063。 你能告诉我原因吗？ 此外，在上述情况下，原假设和替代假设是什么？ 我可以在像这样的列联表上运行fisher测试： mat = matrix(c(5000,10000,69999,39999), 2, 2) PS：我不是统计学家。我正在尝试学习统计信息，以便您的帮助（用简单的英语回答）将受到高度赞赏。

11 r  statistical-significance  contingency-tables  fishers-exact 

我正在测试由C分层的两个变量A和B的独立性。A和B是二进制变量，C是分类变量（5个值）。运行费舍尔对A和B（所有层的总和）的精确测试，我得到： ## (B) ## (A) FALSE TRUE ## FALSE 1841 85 ## TRUE 915 74 OR: 1.75 (1.25 -- 2.44), p = 0.0007 * 其中OR是优势比（估计值和95％置信区间），*意味着p <0.05。 对每个层（C）运行相同的测试，我得到： C=1, OR: 2.31 (0.78 -- 6.13), p = 0.0815 C=2, OR: 2.75 (1.21 -- 6.15), p = 0.0088 * C=3, OR: 0.94 (0.50 …

10 categorical-data  interpretation  inference  contingency-tables  fishers-exact 

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

为了简单的示例，假设有两个线性回归模型 模型1有三个预测，x1a，x2b，和x2c 模型2具有从模型1 3个预测和两个附加的预测x2a和x2b 有一个种群回归方程，其中模型1 解释的种群方差为，模型解释为 。模型2解释的种群中的增量方差为ρ2(1)ρ(1)2\rho^2_{(1)}ρ2(2)ρ(2)2\rho^2_{(2)}Δ ρ2= ρ2（2 ）- ρ2（1 ）Δρ2=ρ(2)2−ρ(1)2\Delta\rho^2 = \rho^2_{(2)} - \rho^2_{(1)} 我有兴趣获取\ Delta \ rho ^ 2的估计量的标准误差和置信区间Δ ρ2Δρ2\Delta\rho^2。虽然该示例分别涉及3个和2个预测变量，但我的研究兴趣涉及大量不同数量的预测变量（例如5个和30个）。我首先想到的是使用 Δ [R2一dĴ= r2一dj （2 ）- - [R2一dĴ （1 ）Δradj2=radj(2)2−radj(1)2\Delta r^2_{adj} = r^2_{adj(2)} - r^2_{adj(1)}作为估计量并进行引导，但是我不确定是否会适当的。 问题 是Δ [R2一dĴΔradj2\Delta r^2_{adj}一个合理的估计Δ ρ2Δρ2\Delta \rho^2？ 如何获得总体r平方变化的置信区间（即Δ ρ2Δρ2\Delta\rho^2）？ 引导Δ ρ2Δρ2\Delta\rho^2是否适合计算置信区间？ 任何对模拟或已发表文献的引用也将受到欢迎。 范例程式码 如果有帮助，我在R中创建了一个小的模拟数据集，可用于演示答案： …

10 regression  confidence-interval  estimation  r-squared  shrinkage  anova  t-test  references  tukey-hsd  machine-learning  boosting  r  clustering  fishers-exact  generalized-linear-model  model  probit  link-function  r  survival  probability  distributions  dice  logistic  lme4-nlme  glmm  meta-analysis  distributions  distributions  factor-analysis  r  anova  repeated-measures  post-hoc 

我遇到了所谓的“精确测试”或“置换测试”的自相矛盾行为，其原型是费舍尔测试。这里是。 想象一下，您有两组，每组400个人（例如400名对照vs 400例），以及一个具有两种模式（例如暴露/未暴​​露）的协变量。在第二组中只有5个暴露的个体。Fisher测试是这样的： > x <- matrix( c(400, 395, 0, 5) , ncol = 2) > x [,1] [,2] [1,] 400 0 [2,] 395 5 > fisher.test(x) Fisher's Exact Test for Count Data data: x p-value = 0.06172 (...) 但是现在，第二组（病例）存在某种异质性，例如疾病的形式或募集中心。它可以分为4组，每组100个人。这样的事情可能会发生： > x <- matrix( c(400, 99, 99 , 99, 98, …

9 power  permutation-test  fishers-exact