Questions tagged «confidence-interval»

在估计均值的置信区间时，我认为bootstrap t方法和非参数bootstrap方法都可以应用，但是前者需要更多的计算。 我想知道bootstrap t相对于普通非参数bootstrap的优缺点是什么？为什么？ 有一些参考资料可以解释这一点吗？

9 confidence-interval  bootstrap 

我的数据集包括近海，中海道和近海三种地点类型的生物的总死亡率或生存率。下表中的数字表示站点数。 100% Mortality 100% Survival Inshore 30 31 Midchannel 10 20 Offshore 1 10 我想知道根据地点​​类型，发生100％死亡率的地点数量是否显着。如果我运行2 x 3卡方，则会得到显着的结果。我是否可以进行事后成对比较，或者实际上应该使用对数方差分析或二项分布的回归？谢谢！

9 logistic  multiple-comparisons  chi-squared  r  text-mining  clustering  classification  feature-selection  unsupervised-learning  time-series  references  mode  hypothesis-testing  confidence-interval  bootstrap  normal-distribution  order-statistics  correlation  statistical-significance  spss  bayesian  beta-binomial 

我有两个来自全基因组关联研究的数据集。唯一可用的信息是每种基因型SNP的奇数比及其置信区间（95％）。我想生成一个比较这两个比值比的森林图，但是我找不到计算组合的置信区间以可视化汇总效果的方法。我使用程序PLINK使用固定效果执行荟萃分析，但该程序未显示这些置信区间。 如何计算置信区间？ 可用数据为： 每个研究的赔率， 95％的置信区间和 标准错误。

9 confidence-interval  meta-analysis  genetics  odds-ratio 

如何计算离散间隔覆盖率？ 我知道该怎么做： 如果我有一个连续模型，则可以为每个预测值定义一个95％的置信区间，然后查看实际值在该置信区间内的频率。我可能会发现，只有88％的时间我的95％置信区间覆盖了实际值。 我不知道该怎么办： 我如何针对离散模型（例如泊松或伽马泊松）执行此操作？我对此模型的了解如下，进行一次观察（我计划生成的100,000多个样本中：） 观察值＃：（任意） 预测值：1.5 0的预测概率：.223 的预测概率为1：.335 2的预测概率：.251 3：3的预测概率 4的预测概率：.048 5的预测概率：.014 [且5或更大是.019] ...（等等） 预测的100的概率（或某个其他不现实的数字）：. 000 实际值（例如“ 4”的整数） 请注意，尽管我在上面给出了泊松值，但在实际模型中，预测值1.5可能在各个观测值之间具有0.1，... 100的不同预测概率。 我对值的离散性感到困惑。“ 5”显然超出了95％的区间，因为在5以上，只有.019，小于.025。但是会有很多4-单独存在于其中，但是我如何共同评估4的数量呢？ 我为什么在乎？ 我正在查看的模型在总体水平上是准确的，但给出的个人预测却不佳。我想看看不良的个人预测比模型所预测的固有的宽置信区间差多少。我希望经验覆盖范围会更糟（例如，我可能会发现88％的值都在95％的置信区间内），但我希望只会稍微差一点。

9 confidence-interval  discrete-data 

置换检验是基于从原始数据中随机抽取的置换重采样进行的显着性检验。引导重采样是在没有替换的情况下绘制的，而引导程序样本是在替换后绘制的。这是我在R中进行的简单置换测试的示例。（欢迎您发表评论） 置换测试具有很大的优势。他们不需要特定的总体形状，例如正态分布。它们适用于各种统计数据，而不仅适用于在零假设下具有简单分布的统计数据。无论总体的形状和大小如何，它们都可以给出非常准确的p值（如果使用了足够的排列）。 我还读到，给出一个置信区间和一个测试通常很有用，该测试是使用引导重采样而不是置换重采样创建的。 您能否解释（或仅给出R代码）如何构建置信区间（即，上述示例中两个样本的均值之间的差异）？ 编辑 经过一番谷歌搜索，我发现了这有趣的读物。

9 confidence-interval  bootstrap  permutation-test 

我有检测器，它将以概率p检测事件。如果检测器说发生了事件，则情况总是如此，因此不会出现假阳性。运行一段时间后，我检测到k个事件。我想以一定的可信度（例如95％）计算发生，检测到或以其他方式发生的事件总数。 举例来说，假设我检测到13个事件。我希望能够基于p计算出13到19个事件，置信度为95％。 到目前为止，这是我尝试过的方法： 如果总共有n个事件，则检测到k个事件的概率为： binomial(n, k) * p^k * (1 - p)^(n - k) 从k到无穷大的n的总和为： 1/p 这意味着总共有n个事件的概率为： f(n) = binomial(n, k) * p^(k + 1) * (1 - p)^(n - k) 因此，如果我想确保95％的比例，我应该找到f(k) + f(k+1) + f(k+2) ... + f(k+m)至少为0.95 的第一部分和，答案为[k, k+m]。这是正确的方法吗？还有答案的封闭公式吗？

9 probability  confidence-interval