我想比较2个样本均值,得出1分钟的股票收益。我假设它们是Laplace分发的(已经检查),我将收益分成两组。如何检查它们是否有显着差异?
我认为我不能将它们视为正态分布,因为即使它们有300个以上的值,QQ图也显示出与正态分布有很大的差异
我想比较2个样本均值,得出1分钟的股票收益。我假设它们是Laplace分发的(已经检查),我将收益分成两组。如何检查它们是否有显着差异?
我认为我不能将它们视为正态分布,因为即使它们有300个以上的值,QQ图也显示出与正态分布有很大的差异
Answers:
假设两个拉普拉斯分布具有相同的方差,
a)似然比检验将涉及检验统计数据,例如:
取日志,取消/简化并乘以。
(其中)
其中,是组合样本中与中位数的平均绝对偏差,,是样本与中位数的平均绝对偏差。 τ我=米我我
根据Wilks定理,该值在零下渐近分布为,因此对于5%的测试,如果超过则将拒绝。 3.84
模拟实验表明,该测试在小样本量(拒绝的概率略高于标称值)下是保守的,但是大约n = 100,这似乎至少是合理的(大约为5.3%-5.4%)例如,对于名义上的5%测试,在零值下的拒绝率;对于它似乎更接近5.25%)。
b)我们也希望将是一个很好的测试统计数据(其中代表样本中位数和);如果我没有在那儿犯错误,那么在像您这样的大样本中,它将近似为正态分布在null下,均值为0,方差为1,其中可以基于整数的平方相对于合并样本中均值的平均绝对偏差,,尽管我希望在实际中基于两个样本的 的样本加权平均值,它会更好地工作。〜μv=2τ2(1 τ 2米2米 2 我 †
(编辑:模拟表明上面的法线近似很好,但是方差计算不正确;我可以看到问题出在哪里,但我仍然必须解决它。此测试的排列版本(请参阅第(c)项)应该还是可以的)。
c)另一种选择是根据上述统计数据之一进行置换测试。(这里的答案之一概述了如何针对中位数差异实施置换测试。)
d)您总是可以进行Wilcoxon / Mann-Whitney测试;它比在Laplace上使用t检验要有效得多。
e)Mood的中位数检验优于(d)拉普拉斯数据。尽管通常在书中建议不要这样做,但是在处理Laplace数据时,它将显示出强大的功能。我希望它与中位数差异渐近检验的置换版本((c)中提到的检验之一)具有相似的功效。
这里的问题给出了一个使用Fisher检验的R实现,但是该代码可以改编为使用卡方检验(我建议在中等样本中使用);或者有它的示例代码(而不是作为一个功能)在这里。
中位数测试在此处的 Wikipedia中进行了讨论,尽管深度不多(链接的德语翻译有更多信息)。一些关于非参数的书对此进行了讨论。