Questions tagged «chi-squared»

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 

我开始与使用的涉猎glmnet与LASSO回归那里我感兴趣的结果是二分。我在下面创建了一个小的模拟数据框： age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p <- c(0.86, 0.45, 0.99, 0.84, 0.85, 0.67, 0.91, 0.29, 0.88) m_edu <- c(0, 1, 1, 2, 2, 3, 2, 0, 1) p_edu <- c(0, 2, 2, …

77 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 

假设我有三个具有四个互斥特征的人口。我从每个总体中随机抽取样本，并针对我要测量的特征构建交叉表或频率表。我的说法是否正确： 如果我想测试总体与特征之间是否存在任何关系（例如，一个总体是否具有较高的特征之一频率），我应该进行卡方检验，看看结果是否显着。 如果卡方检验显着，则仅表明人口与特征之间存在某种关系，而没有关系。 此外，并非所有特征都需要与人口有关。例如，如果不同的总体具有特征A和B的显着不同的分布，但没有特征C和D的分布，则卡方检验可能仍然具有显着性。 如果我想衡量一个特定的特性是否受影响人口，那么我可以运行相同比例的测试（我已经看到了这个被称为Z测试，或prop.test()在R）在这一点特点。 换句话说，prop.test()当卡方检验表明存在显着关系时，使用来更准确地确定两组类别之间关系的性质是否合适？

52 chi-squared  proportion  contingency-tables  z-test 

发表的文章（pdf）包含以下两个句子： 此外，误报可能是由于使用了不正确的规则或对统计检验知识的缺乏所致。例如，可以将ANOVA中的总df视为检验报告中的误差df ，或者研究人员可以将或检验的报告p值除以2，以获得片面的值，而 a的值或测试已经是一个单侧检验。χ 2 ˚F p p χ 2 ˚FFFFχ2χ2\chi^2FFFppppppχ2χ2\chi^2FFF 他们为什么这么说？卡方检验是一种双面检验。（我问过其中一位作者，但没有得到答复。） 我在俯视什么吗？

48 hypothesis-testing  chi-squared 

我想知道是否仅对因变量（无论是因变量还是自变量）还是仅对自变量进行了对数转换，在解释上是否有所不同。 考虑以下情况 log(DV) = Intercept + B1*IV + Error 我可以将IV解释为百分比增长，但是当我拥有 log(DV) = Intercept + B1*log(IV) + Error 或当我有 DV = Intercept + B1*log(IV) + Error ？

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 

我有显示消防员入学考试结果的数据。我正在检验考试结果和种族不是相互独立的假设。为了对此进行测试，我在R中运行了Pearson卡方检验。结果显示了预期的结果，但警告“” In chisq.test(a) : Chi-squared approximation may be incorrect。 > a white black asian hispanic pass 5 2 2 0 noShow 0 1 0 0 fail 0 2 3 4 > chisq.test(a) Pearson's Chi-squared test data: a X-squared = 12.6667, df = 6, p-value = 0.04865 Warning message: In chisq.test(a) …

40 r  categorical-data  chi-squared  small-sample  error-message 

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 

为什么似然比检验的检验统计量分布卡方？ 2 （ln 大号一升吨米直径：d È 升 − ln 大号Ñ ü 升升米直径：d È 升 ）〜χ2dF一升吨- dFnull2（ln⁡ 大号一种升Ť 米ØdË升-ln⁡ 大号ñü升升 米ØdË升）〜χdF一种升Ť-dFñü升升22(\ln \text{ L}_{\rm alt\ model} - \ln \text{ L}_{\rm null\ model} ) \sim \chi^{2}_{df_{\rm alt}-df_{\rm null}}

34 distributions  chi-squared  likelihood-ratio 

我尝试阅读不同的资料，但仍不清楚哪种测试适合我的情况。关于数据集，我要问三个不同的问题： 在不同的时间测试受试者的X感染。我想知道X之后的X的正比例与X之前的X的正比例是否相关： After |no |yes| Before|No |1157|35 | |Yes |220 |13 | results of chi-squared test: Chi^2 = 4.183 d.f. = 1 p = 0.04082 results of McNemar's test: Chi^2 = 134.2 d.f. = 1 p = 4.901e-31 根据我的理解，由于数据是重复测量的，所以我必须使用麦克尼马尔检验，该检验用于检验X的正数比例是否已更改。 但是我的问题似乎需要卡方检验-测试X之后的阳性比例是否与X之前的阳性比例相关。 我什至不确定我是否正确理解了麦克尼马尔检验与卡方检验之间的区别。如果我的问题是：“与以前不同的X感染对象的比例是多少？”将是正确的检验方法？ 类似的情况，但我在某个时间点测量了两种不同的感染，而不是之前和之后： Y |no |yes| X|No |1157|35 | |Yes |220 …

30 r  chi-squared  mcnemar-test 

如何测试二十面骰子（d20）的公平性？显然，我将比较值的分布与均匀分布。我隐约记得在大学里使用卡方检验。我该如何应用此方法来查看死角是否公平？

29 hypothesis-testing  chi-squared  goodness-of-fit  uniform  dice 

我刚刚碰到了这篇论文，该论文描述了如何通过混合效应建模来计算测量的可重复性（又称可靠性，又称类内相关性）。R代码为： #fit the model fit = lmer(dv~(1|unit),data=my_data) #obtain the variance estimates vc = VarCorr(fit) residual_var = attr(vc,'sc')^2 intercept_var = attr(vc$id,'stddev')[1]^2 #compute the unadjusted repeatability R = intercept_var/(intercept_var+residual_var) #compute n0, the repeatability adjustment n = as.data.frame(table(my_data$unit)) k = nrow(n) N = sum(n$Freq) n0 = (N-(sum(n$Freq^2)/N))/(k-1) #compute the adjusted repeatability Rn = …

28 mixed-model  reliability  intraclass-correlation  repeatability  spss  factor-analysis  survey  modeling  cross-validation  error  curve-fitting  mediation  correlation  clustering  sampling  machine-learning  probability  classification  metric  r  project-management  optimization  svm  python  dataset  quality-control  checking  clustering  distributions  anova  factor-analysis  exponential  poisson-distribution  generalized-linear-model  deviance  machine-learning  k-nearest-neighbour  r  hypothesis-testing  t-test  r  variance  levenes-test  bayesian  software  bayesian-network  regression  repeated-measures  least-squares  change-scores  variance  chi-squared  variance  nonlinear-regression  regression-coefficients  multiple-comparisons  p-value  r  statistical-significance  excel  sampling  sample  r  distributions  interpretation  goodness-of-fit  normality-assumption  probability  self-study  distributions  references  theory  time-series  clustering  econometrics  binomial  hypothesis-testing  variance  t-test  paired-comparisons  statistical-significance  ab-test  r  references  hypothesis-testing  t-test  normality-assumption  wilcoxon-mann-whitney  central-limit-theorem  t-test  data-visualization  interactive-visualization  goodness-of-fit 

当我使用GAM时，它给了我剩余的DF为（代码的最后一行）。这意味着什么？超越GAM示例，通常，自由度可以是非整数吗？26.626.626.6 > library(gam) > summary(gam(mpg~lo(wt),data=mtcars)) Call: gam(formula = mpg ~ lo(wt), data = mtcars) Deviance Residuals: Min 1Q Median 3Q Max -4.1470 -1.6217 -0.8971 1.2445 6.0516 (Dispersion Parameter for gaussian family taken to be 6.6717) Null Deviance: 1126.047 on 31 degrees of freedom Residual Deviance: 177.4662 on 26.6 degrees of …

27 r  degrees-of-freedom  gam  machine-learning  pca  lasso  probability  self-study  bootstrap  expected-value  regression  machine-learning  linear-model  probability  simulation  random-generation  machine-learning  distributions  svm  libsvm  classification  pca  multivariate-analysis  feature-selection  archaeology  r  regression  dataset  simulation  r  regression  time-series  forecasting  predictive-models  r  mean  sem  lavaan  machine-learning  regularization  regression  conv-neural-network  convolution  classification  deep-learning  conv-neural-network  regression  categorical-data  econometrics  r  confirmatory-factor  scale-invariance  self-study  unbiased-estimator  mse  regression  residuals  sampling  random-variable  sample  probability  random-variable  convergence  r  survival  weibull  references  autocorrelation  hypothesis-testing  distributions  correlation  regression  statistical-significance  regression-coefficients  univariate  categorical-data  chi-squared  regression  machine-learning  multiple-regression  categorical-data  linear-model  pca  factor-analysis  factor-rotation  classification  scikit-learn  logistic  p-value  regression  panel-data  multilevel-analysis  variance  bootstrap  bias  probability  r  distributions  interquartile  time-series  hypothesis-testing  normal-distribution  normality-assumption  kurtosis  arima  panel-data  stata  clustered-standard-errors  machine-learning  optimization  lasso  multivariate-analysis  ancova  machine-learning  cross-validation 

我有17年（1995年至2011年）的死亡证明数据与美国某州的自杀死亡有关。关于自杀和自杀的个月数/季节，有很多神话，其中很多是自相矛盾的，我的文献中经过审查，我对所使用的方法或结果的把握并不清楚。 因此，我着手确定是否可以确定我的数据集中在任何给定月份内自杀的可能性或高或低。我所有的分析都在R中完成。 数据中的自杀总数为13,909。 如果您以自杀次数最少的年份为例，它们发生在309/365天（85％）。如果您查看自杀次数最多的年份，则发生在339/365天（93％）。 因此，每年都有相当多的日子没有自杀。但是，如果将这17年的总和汇总起来，那么一年中的每一天（包括2月29日）都会有自杀事件（尽管平均值为38时只有5次）。 （在我看来）仅将一年中每一天的自杀总数加起来并不表示明显的季节性。 按月汇总，每月平均自杀范围为： （m = 65，sd = 7.4，至m = 72，sd = 11.1） 我的第一种方法是按年份汇总所有年份的数据集，并在计算出原假设的预期概率后得出卡氏检验，即按月计算的自杀人数没有系统差异。我考虑了天数（并针对taking年调整了2月），计算了每个月的概率。 卡方结果表明按月没有明显变化： # So does the sample match expected values? chisq.test(monthDat$suicideCounts, p=monthlyProb) # Yes, X-squared = 12.7048, df = 11, p-value = 0.3131 下图显示了每月的总数。水平红线分别位于2月，30天和31天月份的期望值。与卡方检验一致，对于预期计数，没有一个月份在95％置信区间之外。 我以为我已经做完了，直到我开始研究时间序列数据。正如我想象的那样，我首先使用stlstats包中的函数进行非参数的季节性分解方法。 为了创建时间序列数据，我从汇总的每月数据开始： suicideByMonthTs <- ts(suicideByMonth$monthlySuicideCount, start=c(1995, 1), end=c(2011, 12), frequency=12) …

24 r  chi-squared  arima  count-data  seasonality 

在R中进行时间序列研究时，我发现arima 仅提供系数值及其拟合模型的标准误差。但是，我也想获得系数的p值。 我没有找到任何可提供coef意义的功能。 所以我希望自己计算，但是我不知道系数的t或chisq分布的自由度。所以我的问题是如何在R中获得拟合的Arima模型系数的p值？

23 r  time-series  chi-squared  arima  parametric 

我正在使用相同的原假设进行独立的统计检验，并希望将结果合并为一个NNN值。似乎有两种“可接受的”方法：Fisher方法和Stouffer方法。ppp 我的问题是关于斯托弗的方法。对于每个单独的测试，我都获得z得分。在零假设下，它们中的每一个都具有标准正态分布，因此和∑ z i遵循方差N的正态分布。因此斯托夫的方法表明计算Σ ž 我/ √ziziz_iΣziΣzi\Sigma z_iNNN，应该以单位方差正态分布，然后将其用作联合z得分。Σzi/N−−√Σzi/N\Sigma z_i / \sqrt{N} 这是合理的，但是这是我想出的另一种方法，对我来说也很合理。由于每个的来自一个标准正态分布，平方和小号= Σ ž 2 我应来自与卡方分布Ñ自由度。因此，可以使用具有N个自由度的累积卡方分布函数来计算S并将其转换为p值（p = 1 - X N（S ），其中X N是CDF）。ziziz_iS=Σz2iS=Σzi2S=\Sigma z^2_iNNNSSSpppNNNp=1−XN(S)p=1−XN(S)p=1−X_N(S)XNXNX_N 但是，我什至找不到这种方法。有没有用过？它有名字吗？与斯托弗的方法相比，优点/缺点是什么？还是我的推理有缺陷？

22 hypothesis-testing  chi-squared  p-value  multiple-comparisons  combining-p-values