Questions tagged «goodness-of-fit»

我有一个数据集，想找出哪种分布最适合我的数据。 我用了 fitdistr()函数来估计必要的参数，以描述假设的分布（即，威布尔，柯西，正态）。使用这些参数，我可以进行Kolmogorov-Smirnov检验来估计我的样本数据是否来自与假设分布相同的分布。 如果p值> 0.05，我可以假设样本数据是从相同的分布中得出的。但是p值没有提供有关拟合度的任何信息，不是吗？ 因此，如果我的样本数据的p值对于正态分布以及Weibull分布> 0.05，那么我如何知道哪个分布更适合我的数据呢？ 这基本上就是我所做的： > mydata [1] 37.50 46.79 48.30 46.04 43.40 39.25 38.49 49.51 40.38 36.98 40.00 [12] 38.49 37.74 47.92 44.53 44.91 44.91 40.00 41.51 47.92 36.98 43.40 [23] 42.26 41.89 38.87 43.02 39.25 40.38 42.64 36.98 44.15 44.91 43.40 [34] 49.81 38.87 40.00 …

133 r  distributions  goodness-of-fit  kolmogorov-smirnov  distribution-identification 

我有SPSS逻辑回归模型的输出。输出报告模型拟合的两个度量，Cox & Snell和Nagelkerke。 因此，根据经验，您会在模型适合时报告哪些R2R²R^²度量？ 或者，期刊中通常会报告哪些适合指数？ 一些背景：回归试图从一些环境变量（例如，陡度，植被覆盖等）中预测鸟类的存在与否。不幸的是，这只鸟很少出现（35次击中468次未中），因此回归表现很差。Cox＆Snell是.09，Nagelkerke是.23。 主题是环境科学或生态学。

55 logistic  goodness-of-fit  r-squared 

我知道正态性测试，但是如何测试“泊松性”？ 我有〜1000个非负整数的样本，我怀疑这些样本是从Poisson分布中提取的，我想对此进行测试。

41 hypothesis-testing  distributions  poisson-distribution  goodness-of-fit 

尝试分析数据的拟合分布时，概率图，PP图和QQ图之间有什么区别？

39 probability  data-visualization  goodness-of-fit  qq-plot 

亲爱的大家-我注意到我无法解释的怪事，可以吗？总之：在logistic回归模型中计算置信区间的手动方法和R函数confint()得出不同的结果。 我一直在研究Hosmer＆Lemeshow的Applied Logistic回归（第二版）。在第3章中，有一个计算比值比和95％置信区间的示例。使用R，我可以轻松地重现模型： Call: glm(formula = dataset$CHD ~ as.factor(dataset$dich.age), family = "binomial") Deviance Residuals: Min 1Q Median 3Q Max -1.734 -0.847 -0.847 0.709 1.549 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.8408 0.2551 -3.296 0.00098 *** as.factor(dataset$dich.age)1 2.0935 0.5285 3.961 7.46e-05 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ …

34 r  regression  logistic  confidence-interval  profile-likelihood  correlation  mcmc  error  mixture  measurement  data-augmentation  r  logistic  goodness-of-fit  r  time-series  exponential  descriptive-statistics  average  expected-value  data-visualization  anova  teaching  hypothesis-testing  multivariate-analysis  r  r  mixed-model  clustering  categorical-data  unsupervised-learning  r  logistic  anova  binomial  estimation  variance  expected-value  r  r  anova  mixed-model  multiple-comparisons  repeated-measures  project-management  r  poisson-distribution  control-chart  project-management  regression  residuals  r  distributions  data-visualization  r  unbiased-estimator  kurtosis  expected-value  regression  spss  meta-analysis  r  censoring  regression  classification  data-mining  mixture 

逻辑回归模型的Hosmer-Lemeshow检验（HLT）的拟合优度（GOF）的检验统计量定义如下： 然后将样本分为十分位数，每十分位数计算以下数量：d=10d=10d=10D1,D2,…,DdD1,D2,…,DdD_1, D_2, \dots , D_{d} O1d=∑i∈DdyiO1d=∑i∈DdyiO_{1d}=\displaystyle \sum_{i \in D_d} y_i，即中观察到的阳性病例；DdDdD_d O0d=∑i∈Dd(1−yi)O0d=∑i∈Dd(1−yi)O_{0d}=\displaystyle \sum_{i \in D_d} (1-y_i)，即在观察到的否定案例；DdDdD_d E1d=∑i∈Ddπ^iE1d=∑i∈Ddπ^iE_{1d}=\displaystyle \sum_{i \in D_d} \hat{\pi}_i，即，十分位数中阳性案例的估计数；DdDdD_d E0d=∑i∈Dd(1−π^i)E0d=∑i∈Dd(1−π^i)E_{0d}= \displaystyle \sum_{i \in D_d} (1-\hat{\pi}_i)，即，十分位数中否定情况的估计数量；DdDdD_d 其中是第个观测值的观测二进制结果，是该观测值的估计概率。我yiyiy_iiiiπ^iπ^i\hat{\pi}_i 然后将测试统计量定义为： X2=∑h=01∑g=1d((Ohg−Ehg)2Ehg)=∑g=1d(O1g−ngπ^gng(1−π^g)π^g−−−−−−−−−−√)2,X2=∑h=01∑g=1d((Ohg−Ehg)2Ehg)=∑g=1d(O1g−ngπ^gng(1−π^g)π^g)2,X^2 = \displaystyle \sum_{h=0}^{1} \sum_{g=1}^d \left( \frac{(O_{hg}-E_{hg})^2}{E_{hg}} \right)= \sum_{g=1}^d \left( \frac{ O_{1g} - n_g \hat{\pi}_g}{\sqrt{n_g (1-\hat{\pi}_g) \hat{\pi}_g}} \right)^2, 其中π^Gπ^G\hat{\pi}_g是在等分的平均估计的概率GGg和让ñGñGn_g是公司在等分的数量。 根据Hosmer-Lemeshow（请参阅此链接），此统计数据（在某些假设下）具有χ2χ2\chi^2分布，自由度为（d− 2 …

33 regression  logistic  goodness-of-fit  degrees-of-freedom  hosmer-lemeshow-test 

这看起来像一个类似的问题，没有得到很多答复。 省略了Cook的D之类的测试，而只是将残差作为一个整体来看，我对其他人在评估拟合优度时如何使用残差感兴趣。我使用原始残差： 在QQ图中，用于评估正态性 在与残差的散点图中，用于（a）异方差和（b）序列自相关的眼球检查。yyy 为了绘制与残差的关系以检查可能出现异常值的值，我更喜欢使用学生化残差。我偏爱的原因是，尽管标准化残差提供了极为相似的结果，但它允许轻松查看存在问题的残差。我的理论是，这取决于一所大学。yyyyyyyyy 这类似于其他人使用残差的方式吗？其他人会结合摘要统计使用此数量的图吗？

31 goodness-of-fit  residuals 

我是统计学的新手，需要您的帮助。 我有一个小样本，如下所示： H4U 0.269 0.357 0.2 0.221 0.275 0.277 0.253 0.127 0.246 我使用R运行了Shapiro-Wilk测试： shapiro.test(precisionH4U$H4U) 我得到以下结果： W = 0.9502, p-value = 0.6921 现在，如果我假设在0.05处的显着性水平大于p值，则alpha（0.6921> 0.05），并且我不能拒绝关于正态分布的零假设，但是我是否可以说样本具有正态分布？ 谢谢！

29 r  distributions  interpretation  goodness-of-fit  normality-assumption 

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 

各种假设检验，例如 GOF检验，Kolmogorov-Smirnov，Anderson-Darling等，都遵循以下基本格式：χ2χ2\chi^{2} H0H0H_0：数据遵循给定的分布。 H1H1H_1：数据不遵循给定的分布。 通常，人们会评估这样的说法，即某些给定数据遵循某种给定分布，并且如果有人拒绝，则该数据在某个级别不适用于该给定分布。 αH0H0H_0αα\alpha 但是，如果我们不拒绝怎么办？我一直被教导不能接受“，因此，基本上，我们没有证据表明拒绝“。也就是说，没有证据表明我们拒绝数据遵循给定的分布。H 0 H 0H0H0H_0H0H0H_0H0H0H_0 因此，我的问题是，如果我们不能断定数据是否遵循给定的分布，那么进行此类测试的意义何在？

26 hypothesis-testing  distributions  goodness-of-fit  ecdf 

我有两个数据集，一个来自一组物理观测值（温度），另一个来自一组数值模型。我正在做一个完美模型分析，假设模型集合表示一个真实的独立样本，并检查是否从该分布中得出观察结果。我计算出的统计数据已归一化，理论上应为标准正态分布。当然，它并不完美，所以我想测试一下贴合度。 使用常识性推理，我可以计算Cramér-vonMises统计信息（或Kolmogorov-Smirnov等）或类似数据，并在表中查找该值以获得p值，以帮助我确定该值不太可能看到的是，给定的观察结果与模型相同。 该过程的贝叶斯等效项是什么？也就是说，如何量化我对这两个分布（我的计算统计量和标准正态分布）不同的信念的强度？

25 bayesian  goodness-of-fit 

众所周知，有两种评估逻辑回归模型的方法，它们正在测试非常不同的事物 预测能力： 获取一个统计数据，该统计数据可衡量您可以基于自变量预测因变量的程度。众所周知的伪R ^ 2是McFadden（1974）和Cox and Snell（1989）。 拟合优度统计 该测试告诉您是否可以通过使模型更复杂来做得更好，实际上是在测试是否存在任何非线性或相互作用。 我在模型上实施了两个测试， 已经添加了二次和交互： >summary(spec_q2) Call: glm(formula = result ~ Top + Right + Left + Bottom + I(Top^2) + I(Left^2) + I(Bottom^2) + Top:Right + Top:Bottom + Right:Left, family = binomial()) Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.955431 8.838584 0.108 …

24 r  logistic  goodness-of-fit  regression-strategies  model-evaluation 

初学者问题： 我想测试两个离散数据集是否来自同一分布。我建议进行一次Kolmogorov-Smirnov检验。 Conover（《实用非参数统计》，3d）似乎说Kolmogorov-Smirnov检验可用于此目的，但其行为是“保守的”且具有离散分布，我不确定这在这里意味着什么。 DavidR 在另一个问题上的评论说：“ ...您仍然可以基于KS统计量进行α级测试，但是您必须找到其他方法来获得临界值，例如通过仿真。” dgof R软件包（article，cran）中的ks.test（）版本增加了stats软件包的ks.test（）默认版本中不存在的某些功能。除其他外，dgof :: ks.test包含以下参数： Simulation.p.value：仅在离散拟合优度测试中指示是否通过蒙特卡洛模拟计算p值的逻辑。 Simulator.p.value = T的目的是完成DavidR的建议吗？ 即使是这样，我也不确定是否可以真正使用dgof :: ks.test进行两个样本的测试。看起来它仅提供了两个样本的连续分布测试： 如果y是数字，则对从相同连续分布中得出x和y的零假设进行两次抽样检验。 或者，y可以是命名连续（累积）分布函数（或此类函数）的字符串，或给出离散分布的ecdf函数（或stepfun类的对象）。在这些情况下，对生成x的分布函数为分布y ...的零进行一次样本检验。 （背景细节：严格来说，我的基础分布是连续的，但是数据往往位于少数几个点附近。每个点都是模拟的结果，并且是-1和1之间的10或20个实数的平均值1.到模拟结束时，这些数字几乎总是非常接近.9或-.9，因此均值聚集在几个值附近，我将它们视为离散值，模拟很复杂，我没有认为数据遵循众所周知的分布的原因。） 忠告？

23 r  goodness-of-fit  discrete-data  kolmogorov-smirnov 

在论文中包括分位数回归模型后，审稿人希望我在论文中包含调整后的。我已经为我研究的三个感兴趣的分位数计算了伪（来自Koenker和Machado的1999 JASA论文）。[R2[R2R^2[R2[R2R^2 但是，我从未听说过针对分位数回归调整过的，也不知道如何计算。我要求您提供以下任一服务：[R2[R2R^2 优选地：关于如何有意义地计算用于分位数回归的经调整的的公式或方法。[R2[R2R^2 或者：说服论点向审稿人提供为什么分位数回归中不存在调整后的。[R2[R2R^2

22 goodness-of-fit  r-squared  quantile-regression