Questions tagged «statistical-significance»

统计显着性是指如果在抽取此样本的总体中真实效果为0（或某个假设值）的概率可能会发生比样本中的极端高或更高的测试统计。

3
统计测试，以验证两个相似的时间序列何时开始偏离
从标题开始，我想知道是否存在统计测试，可以帮助我确定两个相似时间序列之间的重大差异。具体来说，看下图，我想检测到序列在时间t1开始发散，即它们之间的差异开始显着。此外，我还将检测系列之间的差异何时不显着。 有任何有用的统计检验可以做到这一点吗？
2
除了Durbin-Watson，还有哪些假设检验可以得出不确定的结果？
所述德宾沃森检验统计量可以位于一个不确定区域，其中它是不可能要么拒绝或不拒绝零假设（在这种情况下，零自相关的）。 还有哪些其他统计检验可以得出“不确定”的结果？ 对于为什么这组测试无法做出二进制的“拒绝” /“拒绝失败”决定，是否有一般的解释（挥手就好）？ 如果有人可以将决策理论的涵义作为他们对后一个查询的答案的一部分，那将是一个额外的奖励—是否存在（结论）附加类别是否意味着我们需要考虑第一类和第二类的成本错误以更复杂的方式？
3
R中的glm-哪个pvalue表示整个模型的拟合优度？
我正在R（通用线性模型）中运行glms。我以为我知道pvalues-直到我看到调用glm的摘要不会为您提供代表整个模型的压倒性pvalue-至少不是在线性模型可以做到的地方。 我想知道这是否作为系数表顶部的Intercept的p值给出。因此，在下面的示例中，尽管Wind.speed..knots和canopy_density对模型可能很重要，但是我们如何知道模型本身是否很重要？我如何知道是否信任这些价值观？我是否想知道（Intercept）的Pr（> | z |）代表模型的重要性？这个模特重要吗？谢谢！ 我应该注意，运行F检验不会给出pvalue，因为我收到一条错误消息，指出在二项式族上运行F检验是不合适的。 Call: glm(formula = Empetrum_bin ~ Wind.speed..knots. + canopy_density, family = binomial, data = CAIRNGORM) Deviance Residuals: Min 1Q Median 3Q Max -1.2327 -0.7167 -0.4302 -0.1855 2.3194 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.8226 1.2030 1.515 0.1298 Wind.speed..knots. -0.5791 0.2628 -2.203 0.0276 * …
1
从统计上可以证明汽车被用作谋杀武器吗？
最近我听到一个故事，有人说如果他们想杀死某人（并逃脱它），他们会用自己的车来做到这一点。他们引用了有关与汽车相关的死亡人数（包括行人通行者）的各种统计数据，以及有关实际被判犯有任何罪行的驾驶员人数的其他统计数据……等等，等等，等等。 我的问题是：从统计角度上证明汽车实际上被用作谋杀武器，在统计上是否可行？ 换句话说，我意识到可能无法证明任何单人行车“事故”实际上都是企图/犯下的谋杀罪。相反，我想知道是否可以想象出一种方法，可以证明其中的某些“事故”实际上很可能根本不是事故。
3
统计测试以比较两个设备的精度
我正在比较两种温度控制设备，它们均设计用于将麻醉患者的体温保持在恰好37度。该设备适合500名患者，分为两组。A组（400例患者）-设备1，B组（100例患者）-设备2。每位患者每小时测量一次体温，持续36小时，为我提供了两组的18000个数据点。我需要确定在36小时内哪种设备可以更精确地控制患者的体温。我已经构造了折线图，将每个时间点的中位数与四分位数条连接起来，在视觉上似乎有所不同。我应该如何分析我的数据以证明统计差异？
1
为什么非正态分布的错误会影响我们的重要性陈述的有效性？
考虑OLS模型时，存在一个正态性假设，即误差是正态分布的。我一直在浏览交叉验证，这听起来像Y和X不一定是正常的，以便使错误正常。我的问题是，为什么当我们出现非正态分布的错误时，重要性声明的有效性受到了损害？为什么置信区间太宽或太窄？
2
如何比较其数据符合指数分布的两个样本的平均值
我有两个数据样本，一个基线样本和一个治疗样本。 假设是治疗样本的平均值高于基线样本。 两个样品的形状都是指数的。由于数据相当大，因此在运行测试时，我只具有每个样本的均值和元素数。 我如何检验该假设？我猜想这很容易，我遇到了使用F-Test的一些参考，但是我不确定参数如何映射。
1
如何在ARIMA模型的观察值48中加入创新的离群值？
我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …
10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 
1
为什么Anova（）和drop1（）为GLMM提供了不同的答案？
我有以下形式的GLMM： lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 当我使用时drop1(model, test="Chi")，我得到的结果与Anova(model, type="III")从汽车包装或汽车上获得的结果不同summary(model)。后两个给出相同的答案。 通过使用大量虚构数据，我发现这两种方法通常没有区别。对于平衡线性模型，不平衡线性模型（不同组中的n不相等）和平衡广义线性模型，它们给出相同的答案，但对于平衡广义线性混合模型，它们给出相同的答案。因此看来，只有在包括随机因素的情况下，这种矛盾才会显现出来。 为什么这两种方法之间存在差异？ 使用GLMM时应使用Anova()还是drop1()应使用？ 至少就我的数据而言，两者之间的差异很小。哪一个使用都重要吗？
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 
1
观察到的等位基因频率是否明显低于预期？
问题：如何构建测试以确定中部至南部山区观察到的“山”-等位基因频率（图1）是否明显低于生态选择模型所预测的（图2）（请参见下文）？ 问题：我最初的想法是使模型残差相对于纬度：经度和海拔高度回归（这仅导致纬度和经度之间的相互作用显着）。问题在于，残基（图3）可能反映了模型无法解释的变异和/或它们是生物学上正在发生的事情，例如，等位基因没有时间向南扩散至其潜能，或者基因流存在一定障碍。如果将观察到的（图1）与预期的（图2）山等位基因频率进行比较，则存在明显的差异，尤其是在瑞典和挪威的中南部山脉。我接受该模型可能无法解释所有变化，但是我可以提出一个合理的检验来探索山等位基因尚未在中部至南部山区发挥其潜力的想法吗？ 背景：我有一个双等位基因AFLP标记，其频率分布似乎与斯堪的纳维亚半岛的山地（和纬度：经度）与低地栖息地有关（图1）。“山”等位基因几乎固定在多山的北部。南部缺少山脉的“低地”等位基因几乎不存在或固定。当一个人从山上向南移动时，“山”等位基因的发生频率较低。从北到南的“山脉”等位基因频率的差异可能仅是由于系统地理学或历史过程造成的，因为该地区是从北部和南部开始殖民的。例如，如果高山等位基因起源于北部人口，那么也许它还没有时间完全扩展到南部人口， 我的工作假设是“山”等位基因频率是生态选择的结果（无效假设是中性选择）。 对于我的生态选择模型，我使用了以二项式等位基因频率作为响应变量的广义加性模型（GAM）（在Fennoscandinavia上采样了129个站点，每个站点通常采样了10至20个个体），并在以下几个气候和生长季节变量中：预测变量。模型结果如下（TMAX04-06 = 4月至6月的最高温度，Phen_NPPMN =平均生长期植被生产力，PET_HE_YR =年潜在蒸散量，Dist_Coast =到海岸的距离）： Family: binomial Link function: logit Formula: Binomial_WW1 ~ s(TMAX_04) + s(TMAX_05) + s(TMAX_06) + s(Phen_NPPMN) + s(PET_HE_YR) + s(Dist_Coast) Parametric coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) -0.74372 0.04736 -15.7 <2e-16 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ …
3
如何使用统计显着性比较两个不同模型的准确性
我正在研究时间序列预测。我有两个数据集和。我有三个预测模型：。使用数据集样本训练所有这些模型，并使用数据集的样本测量其性能。假设性能指标是MSE（或其他任何指标）。在针对数据集进行测量时，这些模型的MSE为和。如何测试一种模型相对于另一种模型的改进具有统计学意义。D1={x1,x2,....xn}D1={x1,x2,....xn}D1=\{x_1, x_2,....x_n\}D2={xn+1,xn+2,xn+3,....,xn+k}D2={xn+1,xn+2,xn+3,....,xn+k}D2=\{x_n+1, x_n+2, x_n+3,...., x_n+k\}M1,M2,M3M1,M2,M3M1, M2, M3D1D1D1D2D2D2D2D2D2MSE1,MSE2,MSE1,MSE2,MSE_1, MSE_2, MSE3MSE3MSE_3 例如，假设，，，并且基于数据集计算这些MSE 的样本总数为2000。如何测试，和有显着差异。如果有人可以帮助我解决这个问题，我将不胜感激。MSE1=200MSE1=200MSE_1=200MSE2=205MSE2=205MSE_2=205MSE3=210MSE3=210MSE_3=210D2D2D2MSE1MSE1MSE_1MSE2MSE2MSE_2MSE3MSE3MSE_3
1
测试比例和二进制分类器
我有一台生产零件的原型机。 在第一次测试中，该机器生产了零件，并且一个二进制分类器告诉我零件有缺陷（，通常且），而零件是好的。d 1 d 1 &lt; Ñ 1 d 1 / Ñ 1 &lt; 0.01 Ñ 1 ≈ 10 4 Ñ 1 - d 1ñ1个N1N_1d1个d1d_1d1个&lt; N1个d1&lt;N1d_1 < N_1d1个/N1个&lt; 0.01d1/N1&lt;0.01d_1/N_1<0.01ñ1个≈ 104N1≈104N_1\approx10^4ñ1个-d1个N1−d1N_1-d_1 然后，技术人员对机器进行一些更改，以减少缺陷零件的数量。 在第二次和随后的测试中，修改后的机器生成零件，并且相同的二进制分类器（未触及）告诉我零件有缺陷，无论如何与非常相似。d 2 d 2 / N 2 d 1 / N 1ñ2N2N_2d2d2d_2d2/ N2d2/N2d_2/N_2d1个/ N1个d1/N1d_1/N_1 技术人员想知道他的更改是否有效。 假设分类器是完美的（灵敏度为100％，特异性为100％），则可以对比例进行测试（使用R，我只输入prop.test(c(d1,d2),c(N1,N2))）。 但是分类器不是完美的，那么我如何考虑分类器的敏感性和特异性（都是未知的），以便正确地回答技术人员的问题？
3
相关系数的阈值，以指示相关矩阵中相关的统计意义
我已经计算出包含455个数据点的数据集的相关矩阵，每个数据点包含14个特征。因此，相关矩阵的维数为14 x 14。 我想知道相关系数的值是否存在阈值，该阈值指出其中两个特征之间存在显着的相关性。 我的价值介于-0.2到0.85之间，我一直认为重要的是那些高于0.7的价值。 是否为阈值考虑了相关系数的一般值，或者仅仅是上下文取决于我正在研究的数据类型？
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.