Questions tagged «equivalence»

像两个样本t检验一样，传统的统计检验集中在试图消除以下假设：两个独立样本的函数之间没有差异。然后，我们选择一个置信度，并说如果均值差超过95％，我们可以拒绝原假设。如果不是，我们“不能拒绝原假设”。这似乎意味着我们也不能接受它。这是否意味着我们不确定原假设是否成立？ 现在，我想设计一个假设是两个样本的函数相同的检验（这与假设两个样本不同的传统统计检验相反）。因此，我的原假设是两个样本不同。我应该如何设计这样的测试？简单地说，如果p值小于5％，我们可以接受没有显着差异的假设吗？

44 hypothesis-testing  statistical-significance  confidence-interval  equivalence  tost 

假设您有一个由两组（例如，男性和女性）组成的研究，研究了一个数字因变量（例如，智力测验分数），并且您假设没有组差异。 题： 有什么好的方法可以测试是否存在小组差异？ 您将如何确定充分测试无组差异所需的样本量？ 初步想法： 仅仅进行标准的t检验是不够的，因为不能拒绝原假设就并不意味着关注的参数等于或接近于零。对于小样本尤其如此。 我可以查看95％的置信区间，并检查所有值是否都在足够小的范围内；也许正负0.3标准偏差。

39 hypothesis-testing  t-test  equivalence  tost 

正如问题所指出-是否有可能证明原假设？根据我对假设的（有限的）理解，答案是否定的，但我无法对此提出严格的解释。问题是否有明确的答案？

37 hypothesis-testing  proof  equivalence 

在许多考虑治疗和结果的论文中，我看到了可能被称为令人讨厌的变量的表（通常是“表1”）（通常是人口统计信息，有时是医疗状况），并带有显着性检验和文字测试，例如“各组大致相似，在XXXXX上没有明显差异，请参见表”。因此，明确的目标是表明分配给不同治疗方法的组是相似的。 但是，在我看来，这似乎是“接受空值”，而我们应该做的（或要求完成的）是对等的检验。 这可能适用于随机试验或观察性研究。我在这里想念什么吗？

13 equivalence  controlling-for-a-variable 

是否对Kolmogorov-Smirnov检验设计了两个等效的单面检验（TOST），以检验两个分布至少相差某个研究人员指定水平的否定主义原假设？ 如果不是TOST，那么是否进行其他形式的等效测试？ 尼克·斯汤纳（Nick Stauner）明智地指出，（我应该已经知道;）还有其他非参数TOST等价检验，用于随机等价的零假设，并且在更严格的假设下，还包括中位数等价物。

13 kolmogorov-smirnov  equivalence  tost 

根据维基百科，Sharipo-Wilk检验测试零假设（）“总体呈正态分布”。H0H0H_0 我正在寻找类似的正态性检验，其 “总体不是正态分布”。H0H0H_0 具有这样的试验中，我要计算一个 -值拒绝ħ 0在显着性水平α IFF p &lt; α ; 证明我的人口呈正态分布。pppH0H0H_0αα\alphap &lt; αp&lt;αp < \alpha 请注意，使用Sharipo-Wilk检验并接受 iff p &gt; α是不正确的方法，因为这从字面上意味着“我们没有足够的证据证明H0不成立”。H0H0H_0p &gt; αp&gt;αp > \alpha 相关线程-p -value的含义ppp，正常性测试没用吗？，但看不到我的问题的解决方案。 问题：我应该使用哪种测试？它在R中实现吗？

11 hypothesis-testing  goodness-of-fit  normality-assumption  equivalence 

假设是来自正态分布的简单随机样本。X1,X2,...,XnX1,X2,...,XnX_1, X_2, \, ... \, , X_n(μ,σ2)(μ,σ2)(\mu,\sigma^2) 我有兴趣进行以下假设检验： 对于给定的常数。H0:|μ|≤cH1:|μ|&gt;c,H0:|μ|≤cH1:|μ|&gt;c, H_0: | \mu| \le c \\ H_1: |\mu| > c, c&gt;0c&gt;0c > 0 我正在考虑以与通常的生物等效性测试情况类似的方式执行两个单侧检验（TOST），其中null为代替，但是我不知道这是否有意义或正确。ttt|μ|≥c|μ|≥c|\mu| \ge c 我的想法是执行单面测试 和 并且如果值之一小于显着性水平拒绝全局零假设。H01:μ≤cH11:μ&gt;cH01:μ≤cH11:μ&gt;c H_{01} : \mu \le c \\ H_{11} : \mu > c H02:μ≥−cH12:μ&lt;−c,H02:μ≥−cH12:μ&lt;−c, H_{02} : \mu \ge -c \\ H_{12} : \mu < …

11 hypothesis-testing  biostatistics  equivalence  tost 

我已经看到了分位数回归估计量的两种不同表示形式，分别是 Q(βq)=∑i:yi≥x′iβnq∣yi−x′iβq∣+∑i:yi&lt;x′iβn(1−q)∣yi−x′iβq∣Q(βq)=∑i:yi≥xi′βnq∣yi−xi′βq∣+∑i:yi&lt;xi′βn(1−q)∣yi−xi′βq∣Q(\beta_{q}) = \sum^{n}_{i:y_{i}\geq x'_{i}\beta} q\mid y_i - x'_i \beta_q \mid + \sum^{n}_{i:y_{i}< x'_{i}\beta} (1-q)\mid y_i - x'_i \beta_q \mid 和 Q(βq)=∑i=1nρq(yi−x′iβq),ρq(u)=ui(q−1(ui&lt;0))Q(βq)=∑i=1nρq(yi−xi′βq),ρq(u)=ui(q−1(ui&lt;0))Q(\beta_q) = \sum^{n}_{i=1} \rho_q (y_i - x'_i \beta_q), \hspace{1cm} \rho_q(u) = u_i(q - 1(u_i < 0 )) 其中。有人可以告诉我如何显示这两个表达的对等吗？这是我到目前为止尝试过的，从第二个表达式开始。ui=yi−x′iβqui=yi−xi′βqu_i = y_i - x'_i \beta_q 但从这一点上，我就死在如何进行。请不要说这不是家庭作业或作业问题。非常感谢。Q(βq)=∑i=1nui(q−1(ui&lt;0))(yi−x′iβq)=∑i=1n(yi−x′iβq)(q−1(yi−x′iβq&lt;0))(yi−x′iβq)=⎡⎣∑i:yi≥x′iβn(q(yi−x′iβq))+∑i:yi&lt;x′iβn(q（y一世-x′一世βq）− （y一世-x′一世βq））⎤⎦（y一世-x′一世βq）Q（βq）=∑一世=1个ñü一世（q-1个（ü一世&lt;0））（ÿ一世-X一世′βq）=∑一世=1个ñ（ÿ一世-X一世′βq）（q-1个（ÿ一世-X一世′βq&lt;0））（ÿ一世-X一世′βq）=[∑一世：ÿ一世≥X一世′βñ（q（ÿ一世-X一世′βq））+∑一世：ÿ一世&lt;X一世′βñ（q（ÿ一世-X一世′βq）-（ÿ一世-X一世′βq））]（ÿ一世-X一世′βq） \begin{align} Q(\beta_q) &= \sum^{n}_{i=1} …

10 proof  quantile-regression  equivalence 

我有一个带有两个列的手机客户信息数据集。第一列包含某个帐户所属的特定类别（A，B或C），第二列包含该帐户是否已取消的二进制值。例如 A | cancelled C | active B | active A | cancelled 我想要做的是提出某种假设检验，以测试活动账户与已取消账户的类型A，B和C的账户比率是否不同-零假设是它们相同。因此，这就像是对比例的假设检验，只是我不知道如何对3个值进行此操作

9 hypothesis-testing  equivalence 

我有一些数据不一定能假定是从正态分布中得出的，我想对各组之间的等效性进行测试。对于普通数据，有类似TOST（两个单侧t检验）的技术。对于非正常数据，有什么类似于TOST的东西吗？

9 hypothesis-testing  equivalence  tost