Questions tagged «kruskal-wallis»

Kruskal-Wallis过程是一种单参数方差分析的非参数等效方法，用于比较三个或更多组的位置。它扩展了Mann-Whitney-Wilcoxon程序的两个示例。

5
如何在机器学习中处理分层/嵌套数据
我将用一个例子来解释我的问题。假设您要根据以下属性预测个人的收入：{年龄，性别，国家/地区，城市}。你有一个像这样的训练数据集 train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age Gender Income 1 1 1 1 23 M 31 2 1 1 1 48 F 42 3 1 1 2 62 M 71 4 …
29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 
1
Kruskal-Wallis之后的事后测试：Dunn的测试或Bonferroni更正了Mann-Whitney的测试？
我有一些非高斯分布变量，我需要检查5个不同组中该变量的值之间是否存在显着差异。 我已经对Kruskal-Wallis进行了单向方差分析（其显着性上升），然后我必须检查哪些组存在显着差异。由于各组是排序的（第一个组中的变量值应低于第二组中的变量值，第二组中的变量值应低于第三组中的变量，依此类推on）我只执行了4个测试： Group 1 vs Group 2 Group 2 vs Group 3 Group 3 vs Group 4 Group 4 vs Group 5 我用两种不同的方法进行了分析。我从使用Dunn的多重比较测试开始，但是没有发现任何重大问题。另一方面，如果我使用Mann-Whitney检验并使用Bonferroni校正了检验的数量（4），那么有3项检验很有意义。 这是什么意思？我应该相信哪些结果？
1
如何读取邓恩测试的结果？
我如何阅读邓恩 测试的结果？具体来说，下表中的值告诉我什么？ 我有4组的非参数数据，我首先进行了Kruskal-Wallis检验，以确认各组的分布彼此之间以及汇总数据集之间是不同的。然后，我使用Dunn的检验来查看哪些组彼此不同，哪些没有。 library(dunn.test) dunn.test(data, g=area, kw=TRUE) Kruskal-Wallis rank sum test data: x and area Kruskal-Wallis chi-squared = 1730.4401, df = 3, p-value = 0 Comparison of x by area (No adjustment) Row Mean-| Col Mean | A B C ---------+--------------------------------- B | 20.62310 | 0.0000 | C | 26.66519 …
2
我应该报告不重要的结果吗？
我已经进行了Kruskal Wallis测试，对于某些问题，p值并不重要。我是否会以有意义的方式报告此问题，并说明df，检验统计量和p值？因此，将进行这样的Kruskal Wallis检验，但发现结果并不显着H（3）= 2.119，p> 0.05（或者我在此处声明确切的p值（.548））
1
Kruskal-Wallis内置的R函数与手动计算之间略有不一致
我对以下内容感到困惑，并且无法在其他地方找到答案。 我试图在做一些统计的同时学习R，并且作为练习，我尝试通过像在R中一样“手动”执行这些内置R函数的结果来仔细检查。 ，对于Kruskal-Wallis考试，我一直得到不同的结果，但我不知道为什么。 例如，我正在查看练习中分发的以下数据 activity <- c(2, 4, 3, 2, 3, 3, 4, 0, 4, 3, 4, 0, 0, 1, 3, 1, 2, 0, 3, 1, 0, 3, 4, 0, 1, 2, 2, 2, 3, 2) group <- c(rep("A", 11), rep("B", 10), rep("C", 9)) group <- factor(group) data.raw <- data.frame(activity, …
4
可以将Mann-Whitney检验用于Kruskal-Wallis之后的事后比较吗？
我进行了模拟，将动物放置在敌对环境中，并定时观察使用某种生存方法可以生存多长时间。它可以使用三种方法来生存。我使用每种生存方法对动物进行了300次模拟。所有模拟都在相同的环境中进行，但存在一定的随机性，因此每次都不同。我计算每次模拟中动物存活多少秒。活得更长些更好。我的数据如下所示： Approach 1, Approach 2, Approach 2 45,79,38 48,32,24 85,108,44 ... 300 rows of these 我不确定在此之后所做的一切，所以请让我知道我是否在做愚蠢和错误的事情。我试图找出使用特定方法在寿命上是否存在统计差异。 我对每个样本都进行了Shapiro测试，结果以很小的p值返回，因此我认为数据没有被标准化。 行上的数据彼此之间没有关系。每个模拟使用的随机种子是不同的。结果，我认为数据没有配对。 由于数据未标准化，不成对并且存在两个以上的样本，因此我进行了Kruskal Wallis检验，得出p值为0.048。然后，我继续工作，选择了曼·惠特尼。真的不确定是否应该在这里使用Mann Whitney。 我通过执行曼恩·惠特尼（Mann Whitney）测试将每种生存方法与其他方法进行了比较，即{（方法1，方法2），（方法1，方法3），（方法2，方法3）}。使用双尾检验在两对之间（方法2，方法3）之间没有统计学意义的发现，但是使用单尾检验存在显着性差异。 问题： 我不知道像这样使用Mann Whitney是否有意义。 我不知道我应该用一两个尾巴的曼·惠特尼（Mann Whitney）。
2
Benjamini-Hochberg依赖性假设是否成立？
我有一个数据集，用于测试三个总体之间在大约50个不同变量方面的显着差异。一方面，我使用Kruskal-Wallis检验，另一方面，通过嵌套GLM模型拟合的似然比检验（具有和不具有总体作为自变量）进行此操作。 结果，一方面，我列出了Kruskal-Wallis，另一方面，我认为是LRT比较中的卡方p值。pppppp 我需要做某种形式的多重测试校正，因为有50多种不同的测试，Benjamini-Hochberg FDR似乎是最明智的选择。 但是，变量可能不是独立的，它们中的几个“氏族”是相关的。然后的问题是：我如何确定我的p值的基础统计信息集是否ppp满足Benjamini-Hochberg过程仍然要绑定到FDR所需的正相关性要求？ 2001年的Benjamini-Hochberg-Yekutieli论文指出，PRDS条件适用于多元正态分布和学生分布。对于模型比较，我的似然比检验卡方值怎么样？对于Kruskal-Wallis检验，我的ppp如何？ 我可以使用Benjamini-Hochberg-Yekutieli最坏情况的FDR校正，该校正在假设依赖项时不做任何假设，但我认为在这种情况下，它可能过于保守，并且会丢失一些相关信号。
2
测试组之间（某些）分位数Q的差异？
对于某些分为三个组（X）的Y变量，我希望对各组进行比较，并假设所有三个组之间90％的分位数相同。我可以使用哪些测试？ 我能想到的一种选择是使用分位数回归，还有其他选择/方法吗？ 我想如果我想比较中位数，就可以使用kruskal wallis检验（尽管它是基于等级的，但是如果我没记错的话，当残差分布是对称的时，它也会给出相同的结果） 谢谢。
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.