1
在原假设下,可交换样本背后的直觉是什么?
排列检验(也称为随机检验,重新随机检验或精确检验)非常有用,并且在t-test未满足例如要求的正态分布的假设以及通过按等级对值进行转换时派上用场非参数测试之类的测试Mann-Whitney-U-test会导致丢失更多信息。但是,在使用这种检验时,一个假设且唯一一个假设应该是原假设下样本的可交换性假设。还值得注意的是,当有两个以上的示例(如在coinR包中实现的示例)时,也可以应用这种方法。 您能用简单的英语用一些比喻语言或概念直觉来说明这一假设吗?这对于在像我这样的非统计学家中阐明这个被忽视的问题非常有用。 注意: 提及在相同假设下应用置换测试不成立或无效的情况将非常有帮助。 更新: 假设我随机从我所在地区的当地诊所收集了50个受试者。他们被随机分配为接受药物或安慰剂的比例为1:1。分别Par1在V1(基准),V2(3个月后)和V3(1年后)时测量了参数1 。根据特征A,所有50个主题都可以分为2组;正值= 20,负值=30。它们也可以基于特征B细分为另外2组;B阳性= 15,B阴性=35。 现在,我具有Par1所有访问中所有受试者的值。在可交换性的假设下,如果可以,我是否可以在Par1使用置换测试的水平之间进行比较: -将接受药物治疗的受试者与接受V2安慰剂治疗的受试者进行比较? -将具有特征A的对象与具有V2的特征B的对象进行比较? -比较在V2具有特征A的对象与在V3具有特征A的对象? -在哪种情况下,这种比较是无效的,并且违反了可交换性的假设?
15
hypothesis-testing
permutation-test
exchangeability
r
statistical-significance
loess
data-visualization
normal-distribution
pdf
ggplot2
kernel-smoothing
probability
self-study
expected-value
normal-distribution
prior
correlation
time-series
regression
heteroscedasticity
estimation
estimators
fisher-information
data-visualization
repeated-measures
binary-data
panel-data
mathematical-statistics
coefficient-of-variation
normal-distribution
order-statistics
regression
machine-learning
one-class
probability
estimators
forecasting
prediction
validation
finance
measurement-error
variance
mean
spatial
monte-carlo
data-visualization
boxplot
sampling
uniform
chi-squared
goodness-of-fit
probability
mixture
theory
gaussian-mixture
regression
statistical-significance
p-value
bootstrap
regression
multicollinearity
correlation
r
poisson-distribution
survival
regression
categorical-data
ordinal-data
ordered-logit
regression
interaction
time-series
machine-learning
forecasting
cross-validation
binomial
multiple-comparisons
simulation
false-discovery-rate
r
clustering
frequency
wilcoxon-mann-whitney
wilcoxon-signed-rank
r
svm
t-test
missing-data
excel
r
numerical-integration
r
random-variable
lme4-nlme
mixed-model
weighted-regression
power-law
errors-in-variables
machine-learning
classification
entropy
information-theory
mutual-information