Questions tagged «small-sample»

假设一个人通过从原始n个观测值中替换得到每个大小为n的样本来执行所谓的非参数引导。我相信此过程等效于通过经验CDF估算累积分布函数：BBBnnnnnn http://en.wikipedia.org/wiki/Empirical_distribution_function 然后通过从估计的cdf B次连续模拟观察值来获得引导程序样本。nnnBBB 如果我对此是正确的，则必须解决过度拟合的问题，因为经验CDF具有大约N个参数。当然，它渐近收敛于总体cdf，但是有限样本呢？例如，如果我告诉你，我有100个观测，我会估计CDF为N(μ,σ2)N(μ,σ2)N(\mu, \sigma^2)有两个参数，你就不会惊慌。但是，如果参数数量增加到100，则似乎根本不合理。 同样地，当一个采用标准多元线性回归，误差项的分布被估计为。如果有人决定改用残差自举法，他必须意识到现在大约有nN(0,σ2)N(0,σ2)N(0, \sigma^2)nnn参数仅用于处理误差项分布。 您能否将我定向到一些明确解决此问题的消息源，或者告诉我如果您认为我做错了为什么这不是问题。

14 bootstrap  sample-size  sample  small-sample  finite-population 

这是一些背景。我有兴趣确定两个环境变量（温度，营养水平）如何影响11年内响应变量的平均值。每年，都有超过10万个位置的数据。 目的是确定在11年的时间段内，响应变量的平均值是否已响应环境变量的变化（例如，温度升高+更多养分将=更大响应）。 不幸的是，由于响应是平均值（不看平均值，只有规则的年际变化会淹没信号），因此回归将是11个数据点（每年1个平均值），并带有2个解释变量。在我看来，即使数据集非常小，线性正回归也很难被认为是有意义的（除非关系非常强，否则甚至不满足名义上的40点/变量）。 我做这个假设对吗？谁能提供我可能会缺少的其他想法/观点？ PS：一些警告：没有等待更多年就无法获取更多数据。因此，可用数据是我们真正需要处理的。

14 time-series  regression  sample-size  small-sample 

我有一个单独的14次小数据集来完成一项任务。但是，我很难找到合适的图形来绘制数据。如果样本较大，我将使用箱形图或直方图，但是如果样本如此小，我不确定在这种情况下是否适合使用。 更新：时间是5.2、3.9、5.6、4.2、3.8、4.1、6.0、5.6、4.4、4.5、4.9、4.5、4.9、4.2

13 data-visualization  descriptive-statistics  small-sample 

从在回答前一个问题，我是指向哈尔顿序列，用于创建一组涵盖了统一的样本空间相当均匀的载体。但是维基百科页面提到，特别是较高的素数在系列的早期通常是高度相关的。样本量相对较短的任何一对高质数似乎都是这种情况-即使变量没有相关性，样本空间也不是均匀采样的，而是整个空间中存在高样本密度的对角带。 因为我使用的是长度为6或更大的向量，所以不可避免地将不得不使用一些素数来解决这个问题（尽管不如上面的示例那样糟糕），并且某些变量对将在他们的样本飞机。在我看来，使用Sobol'序列生成相似的集合（仅通过查看图表）似乎可以在变量对之间生成样本，这些变量对的分布更加均匀，即使是相对少量的样本也是如此。这似乎有用得多，所以我想知道Halton序列何时会更有益？还是仅仅是Halton序列更容易计算？ 注意：也欢迎讨论其他多维低差异序列。

13 sampling  small-sample  quasi-monte-carlo 

我有包含24行每月数据的数据集。这些功能包括GDP，机场到达，月份和其他一些信息。因变量是热门旅游目的地的游客人数。随机森林会适合这样的问题吗？ 数据是非公开的，所以我无法发布样本。

13 random-forest  small-sample 

假定以下情况： 我们有大量（例如20个），小组规模较小（例如n = 3）。我注意到，如果我从均匀分布生成值，则即使误差分布均匀，残差也将看起来近似正态。以下R代码演示了此行为： n.group = 200 n.per.group = 3 x <- runif(n.group * n.per.group) gr <- as.factor(rep(1:n.group, each = n.per.group)) means <- tapply(x, gr, mean) x.res <- x - means[gr] hist(x.res) 如果我查看三个一组的样本的残差，则很明显会出现这种情况： [R1个= x1个− 平均值（x 1 ，x 2 ，x 3 ）= x 1 − x1个+ x2+ x33= 23X1个− x2− …

12 anova  normal-distribution  small-sample 

我正试图弄清楚检验和检验之间的区别。Ťttžzz 据我所知，对于这两种测试，都使用相同的测试统计量，其形式如下 b^− CSEˆ（b^）b^-CSE^（b^）\frac{\hat{b} - C}{\widehat{\operatorname{se}}(\hat{b})} 其中是一些样本统计信息，是某个参考（位置）常量（取决于测试的详细信息），而是标准错误。b^b^\hat{b}CCCSEˆ（b^）SE^（b^）\widehat{\operatorname{se}}(\hat{b})b^b^\hat{b} 那么，这两类测试之间的唯一区别是，在检验的情况下，上面的检验统计量遵循（对于某些样本确定的自由度），而在检验，相同的检验统计量遵循标准正态分布。（这反过来表明，选择检验还是检验取决于样本是否足够大。）ŤŤtŤŤtdddžžzñ（0 ，1 ）ñ（0，1个）\mathcal{N}(0, 1)žžzŤŤt 这个对吗？

12 hypothesis-testing  t-test  small-sample 

杰罗姆·康菲尔德（Jerome Cornfield）写道： 渔业革命的最好成果之一就是随机化的想法，而在其他几件事上达成共识的统计学家至少对此达成了共识。但是尽管达成了这一协议，并且尽管在临床和其他形式的实验中广泛使用了随机分配程序，但其逻辑状态（即其执行的确切功能）仍然不清楚。 杰罗姆·康菲尔德（1976）。“对临床试验的最新方法论贡献”。美国流行病学杂志104（4）：408–421。 在整个站点以及各种文献中，我始终看到关于随机化能力的自信主张。诸如“它消除了混杂变量的问题”之类的强大术语很常见。例如，请参见此处。但是，出于实际/伦理的原因，很多时候都使用小样本（每组3-10个样本）进行实验。这在使用动物和细胞培养物进行临床前研究中非常普遍，研究人员通常报告p值以支持其结论。 这让我想知道，随机化在平衡混淆方面有多好。对于这个图，我模拟了一个比较治疗组和对照组的情况，其中一个混杂物可能以50/50的机会出现两个值（例如，type1 / type2，male / female）。它显示了用于研究各种小样本数量的“不平衡百分比”（处理样本与对照样本之间的type1＃的差异除以样本数量）的分布。红线和右侧轴显示ecdf。 小样本量下，随机化下各种程度的平衡概率： 从这个情节可以清楚地看出两件事（除非我在某个地方搞砸了）。 1）随着样本数量的增加，获得完全平衡样本的可能性降低。 2）随着样本数量的增加，获得非常不平衡的样本的可能性降低。 3）在两组中n = 3的情况下，有3％的机会获得一组完全不平衡的组（对照组中的所有type1，治疗中的所有type2）。N = 3在分子生物学实验中很常见（例如，通过PCR测量mRNA或通过蛋白质印迹法测量蛋白质） 当我进一步检查n = 3的情况时，我观察到在这些条件下p值的奇怪行为。左侧显示类型2子组在不同均值条件下使用t检验计算的p值的总体分布。类型1的平均值为0，两组的sd = 1。右侧面板显示了从0.05到0.0001的名义“显着性临界值”的相应假阳性率。 通过t检验比较时，n = 3的p值在n = 3时具有两个子组和第二子组的平均值不同（10000个蒙特卡洛分析）： 这是两组的n = 4的结果： 两个组的n = 5： 两组的n = 10： 从上面的图表可以看出，样本量和子组之间的差异之间似乎存在相互作用，这导致在原假设下不一致的各种p值分布。 因此，我们可以得出结论：对于小样本量的适当随机化和受控实验，p值不可靠吗？ 第一图的R代码 require(gtools) #pdf("sim.pdf") par(mfrow=c(4,2)) for(n in c(3,4,5,6,7,8,9,10)){ #n<-3 p<-permutations(2, n, …

11 small-sample  random-allocation 

基于树的集成方法（例如，Random Forest和随后的导数（例如，条件森林））都声称可用于所谓的“ small n，large p ”问题，以识别相对变量的重要性。确实，情况确实如此，但是我的问题是，这种能力可以走多远？可以说30个观察值和100个变量吗？这种方法的突破点是什么，是否存在任何体面的经验法则？我希望并接受使用模拟或真实数据集的，以实际证据（而非推测）为链接的答案。我对后者没有太多了解（在这里和这里），因此非常欢迎您提出想法/建议/（关于主题）参考建议！

10 random-forest  small-sample  ensemble 

我想使用4到5个解释变量进行回归，但是我只有15个观察值。无法假设这些变量是正态分布的，是否存在非参数或任何其他有效的回归方法？

9 regression  small-sample