Questions tagged «p-value»

我读了这篇有关Palantir案的文章，该案涉及劳动部指责他们歧视亚洲人。有谁知道他们从哪里获得这些概率估计值的？ 我在项目（a）中得不到1/741。 （a）对于QA工程师职位，Palantir从730多名合格的申请人（其中约77％是亚洲人）中聘用了6名非亚洲人申请者，并且仅雇用了一名亚洲人申请者。OFCCP计算出的不利影响超过了三个标准偏差。根据机会发生此结果的可能性约为741。 （b）在软件工程师职位中，Palantir雇用了1,160多名合格的申请者，其中大约85％是亚洲人，Palantir雇用了14名非亚洲人申请者，仅雇用了11名亚洲人申请者。OFCCP计算出的不利影响超过了五个标准偏差。该结果根据偶然发生的可能性约为340万。 （c）对于QA工程师实习生职位，Palantir雇用了130多名合格的申请人（其中约73％是亚洲人）聘用了17名非亚洲人申请者，仅雇用了4名亚洲人申请者。OFCCP计算出的不利影响超过了六个标准偏差。根据机会发生此结果的可能性约为十亿分之一。

14 probability  p-value  contingency-tables  legal 

今天有人问我，是否认为p值为0.05（精确）是有意义的（给定的alpha = 5％）。我不知道答案，而Google给出了两个答案：（a）如果p小于5％，则结果显着；（b）如果p小于5％或等于5％，则结果显着。 当然，这些网站都没有引用任何人。为什么要选一个-这是常识，而5％是任意的。但这无助于我告诉我的学生要记住的事情。 因此，这是我关于检验假设的绝望问题：如果p值恰好是alpha，我认为结果是否重要？在这种情况下，权威引用是什么？ 非常感谢你

14 hypothesis-testing  statistical-significance  p-value 

我对AIC有一些疑问，希望您能为我提供帮助。我根据数据对AIC应用了模型选择（向后或向前）。并且某些选定变量的p值> 0.05。我知道有人说我们应该选择基于AIC而不是p值的模型，因此看来AIC和p值是两个不同的概念。有人可以告诉我有什么区别吗？到目前为止，我的理解是： 对于使用AIC的向后选择，假设我们有3个变量（var1，var2，var3），并且此模型的AIC为AIC *。如果排除这三个变量中的任何一个不会导致AIC明显低于AIC *（就df = 1的方差分布而言），那么我们可以说这三个变量是最终结果。 在三变量模型中，变量（例如var1）的有效p值表示该变量的标准化效应量显着不同于0（根据Wald或t检验）。 这两种方法之间的根本区别是什么？如果在我的最佳模型中（通过AIC获得）某些变量的p值不显着，该如何解释？

14 model-selection  p-value  aic 

我希望这不是一个愚蠢的问题。假设我有一些任意的连续分布。我也有一个统计信息，我想使用此任意分布来获取此统计信息的p值。 我意识到，只要您的发行版适合内置发行版之一，就可以很容易地在R中执行此操作，就像正常情况一样。但是，是否有一种简单的方法可以对任何给定的分布执行此操作，而无需进行这种假设？

14 r  distributions  p-value 

我了解该程序及其控制的内容。那么在BH程序中用于多次比较的调整后的p值的公式是什么？ 刚才我意识到原始的BH不会产生调整后的p值，只是调整了（非）拒绝条件：https : //www.jstor.org/stable/2346101。无论如何，戈登·史密斯（Gordon Smyth）还是在2002年引入了调整后的BH p值，因此该问题仍然适用。p.adjust与method 一样在R中实现BH。

14 hypothesis-testing  p-value  multiple-comparisons  false-discovery-rate 

R中存在这两个函数，但我不知道它们之间的区别。似乎当wilcox.test使用时correct=FALSE，和wilcox_test（在硬币包装中）使用时，它们仅返回相同的p值distribution="aymptotic"。对于其他值，它们返回不同的p值。而且wilcox.test始终为我的数据集返回W = 0，而与参数的设置无关： x = c(1, 1, 1, 3, 3, 3, 3) 和 y = c(4, 4, 6, 7, 7, 8, 10) 另外，当我尝试使用除R以外的其他工具（一些可在线使用，其他作为Excel附加组件）时，有时它们报告的p值不同。 那么我怎么知道哪个工具给出了“正确的” p值呢？ 是否存在“正确的” p值，或者如果一些工具给出的p值<0.05，我应该感到高兴吗？（有时这些工具没有提供像R这样的众多参数化可能性。） 我在这里想念什么？

14 r  hypothesis-testing  p-value  wilcoxon-mann-whitney 

用于网络主题检测的软件包可以返回非常高的Z分数（我见过的最高Z分数是600,000+，但是Z分数超过100的情况非常普遍）。我打算证明这些Z分数是伪造的。 巨大的Z得分对应于极低的关联概率。相关概率的值在正态分布的Wikipedia页面（以及可能的每个统计资料教科书）上给出，Z分数最高为6。所以... 问题：如何计算n到1,000,000之间的误差函数？1−erf(n/2–√)1−erf(n/2)1-\mathrm{erf}(n/\sqrt{2}) 我特别希望已经实施了此软件包（如果可能）。到目前为止，我发现的最好的是WolframAlpha，它设法以n = 150（此处）进行计算。

14 probability  normal-distribution  p-value  approximation  z-statistic 

我听说过（抱歉，我无法提供到文本的链接，有人告诉我）对于正确的假设检验和置信区间，残差的高正峰度可能会成问题（因此存在统计推断问题）。这是真的吗？如果是这样，为什么？残差的高正峰度是否不表示大部分残差都接近零均值，因此存在的残差较小？（如果您有答案，请尝试在数学方面不多的情况下给出答案，因为我不太喜欢数学）。

14 statistical-significance  p-value  assumptions  kurtosis 

关于类似问题的普遍共识是：将结果称为“高度重要”是错误的吗？“高度显着”是一种有效的（尽管不是特定的）方式，用于描述p值远低于预设的显着性阈值的关联强度。但是，如何描述稍微高于阈值的p 值呢？我已经看到一些论文使用诸如“有些重要”，“几乎重要”，“接近重要性”之类的术语。我发现这些术语有些不切实际，在某些情况下，这是一种界限分明的卑鄙的方式，可以从有意义的结果中排除有意义的结果。这些术语可以用来描述“仅仅错过”您的p值临界值的结果吗？

13 hypothesis-testing  statistical-significance  p-value  terminology 

我正在尝试对此处的数据运行贝叶斯logit 。我在R bayesglm()中的arm包中使用。编码非常简单： df = read.csv("http://dl.dropbox.com/u/1791181/bayesglm.csv", header=T) library(arm) model = bayesglm(PASS ~ SEX + HIGH, family=binomial(link="logit"), data=df) summary(model) 给出以下输出： Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 0.10381 0.10240 1.014 0.311 SEXMale 0.02408 0.09363 0.257 0.797 HIGH -0.27503 0.03562 -7.721 1.15e-14 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 …

13 r  bayesian  p-value 

我一直在使用进行模型调整caret，但随后使用该gbm软件包重新运行模型。据我了解，caret程序包使用gbm的输出应相同。然而，data(iris)使用RMSE和R ^ 2作为评估指标，使用进行的快速测试显示模型中的差异约为5％。我想使用来找到最佳模型性能，caret但要重新运行gbm以利用部分依赖图。下面的代码具有可重复性。 我的问题是： 1）为什么即使这两个软件包应该相同，我仍会看到这两个软件包之间的差异（我知道它们是随机的，但5％的差异还是很大的，尤其是当我没有使用iris建模时使用的很好的数据集时） 。 2）同时使用这两个软件包有什么优点或缺点？ 3）不相关：使用iris数据集时，最佳interaction.depth值为5，但高于我所阅读的最大值，使用最大值floor(sqrt(ncol(iris)))为2。这是严格的经验法则还是非常灵活？ library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric <- "RMSE" trainControl <- trainControl(method="cv", number=10) set.seed(99) gbm.caret <- train(Sepal.Length ~ ., data=iris, distribution="gaussian", method="gbm", trControl=trainControl, verbose=FALSE, tuneGrid=caretGrid, metric=metric, bag.fraction=0.75) print(gbm.caret) # …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

我知道这个话题在这里之前已经提出过很多次了，但是我仍然不确定如何最好地解释我的回归输出。 我有一个非常简单的数据集，由一列x值和一列y值组成，并根据位置（位置）分为两组。要点看起来像这样 一位同事假设，我们应该将单独的简单线性回归拟合到每个组，我已经使用进行了拟合y ~ x * C(loc)。输出如下所示。 OLS Regression Results ============================================================================== Dep. Variable: y R-squared: 0.873 Model: OLS Adj. R-squared: 0.866 Method: Least Squares F-statistic: 139.2 Date: Mon, 13 Jun 2016 Prob (F-statistic): 3.05e-27 Time: 14:18:50 Log-Likelihood: -27.981 No. Observations: 65 AIC: 63.96 Df Residuals: 61 BIC: 72.66 Df Model: …

13 regression  p-value  least-squares  aic 

我正在使用进行R中的多元逻辑回归glm。预测变量是连续的和分类的。该模型摘要的摘录显示以下内容： Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 2.451e+00 2.439e+00 1.005 0.3150 Age 5.747e-02 3.466e-02 1.658 0.0973 . BMI -7.750e-02 7.090e-02 -1.093 0.2743 ... --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 置信区间： 2.5 % 97.5 % (Intercept) 0.10969506 1.863217e+03 Age 0.99565783 …

13 r  logistic  interpretation  p-value 

在不同样本量下ap值的相对大小如何变化？就像如果在得到进行相关，然后在时得到相同的p值0.20，那么与原始p值相比，第二次测试的p值的相对大小是多少当？n = 45 n = 120 n = 45p=0.20p=0.20p=0.20n=45n=45n=45n=120n=120n=120n=45n=45n=45

13 p-value  sample-size 

已关闭。这个问题需要细节或说明。它当前不接受答案。 想改善这个问题吗？添加细节并通过编辑此帖子来澄清问题。 7个月前关闭。 这纯粹是一个假设的问题。一个非常普遍的说法是永远都不是真的，这只是样本量的问题。H0H0H_0 让我们假设，对于实数，从正态分布的总体中得出的两个均值（）绝对没有可测量的差异（对于和估计为）。我们假设每组，我们使用检验。这意味着值为表明与绝对没有差异。这将表明测试统计量为。组之间的平均差为。在这种情况下，均值差的置信区间的极限是多少？他们会吗μ1=μ2μ1=μ2\mu_1=\mu_2μ=0μ=0\mu=0σσ\sigma=1=1=1N=16N=16N=16tttppp1.000001.000001.00000H0H0H_000000095%95%95\%[0.0,0.0][0.0,0.0][0.0, 0.0]？ 我的问题的重点是，我们什么时候可以真正说出是真实的，即在这种情况下？还是在常客制框架中比较两种方法时可以真正说“没有区别”？H0H0H_0μ1=μ2μ1=μ2\mu_1=\mu_2

12 confidence-interval  p-value