Questions tagged «statistical-significance»

许多随机对照试验（RCT）论文报告了在随机分配之后/之前对基准参数进行的显着性测试，以显示各组确实相似。这通常是“基线特征”表的一部分。但是，重要性检验可以衡量偶然发现观察到的（或更强的）差异的可能性，不是吗？而如果测试显著我们的结论是有真正的区别，因为范围的随机差异不太可能。当我们知道任何差异都必须归因于偶然性时，重要性检验在随机化后是否有意义？

10 statistical-significance  clinical-trials 

我正在研究一些基因组覆盖率数据，这些数据基本上是一长串整数（几百万个值），每个整数都表示覆盖基因组中此位置的程度（或“深度”）。 我想在此数据中寻找“山谷”，即比周围环境明显“低”的区域。 请注意，我要寻找的山谷的大小可能在50个碱基到数千个碱基之间。 您会建议使用哪种范例来找到那些山谷？ 更新 数据的一些图形示例： 更新2 定义什么是山谷当然是我一直在努力的问题之一。这些对我来说是显而易见的： 但是还有一些更复杂的情况。通常，我考虑3个标准：1.相对于全局平均值，窗口中的（平均？最大？）覆盖率。2.窗口中相对于其周围的覆盖范围。3.窗口有多大：如果我看到很短的覆盖范围很有趣，如果我看到很长的覆盖范围很有趣，如果我看到很短的覆盖很短的范围也不是很有趣。 ，但如果我看到很长一段时间的覆盖率偏低-是的，所以这是sapn长度和覆盖率的结合。时间越长，我就越会覆盖，但仍然认为它是一个山谷。 谢谢， 戴夫

10 r  distributions  statistical-significance  data-visualization 

我有一个问题，我认为这对很多用户来说都是非常基本的。 我使用线性回归模型来（i）研究几个解释变量与我的反应变量之间的关系，以及（ii）使用解释变量预测我的反应变量。 一个特定的解释变量X似乎对我的响应变量有显着影响。为了测试此解释变量X的增加值，以便对我的响应变量进行样本外预测，我使用了两个模型：模型（a）使用所有解释变量，模型（b）使用所有变量除了变量X。对于这两个模型，我仅报告样本外性能。看起来两个模型的性能几乎一样好。换句话说，添加解释变量X不会改善样本外预测。请注意，我还使用模型（a）（即具有所有解释变量的模型）来发现，解释变量X确实会严重影响我的响应变量。 我现在的问题是：如何解释这一发现？直截了当的结论是，即使变量X似乎使用推论模型显着影响了我的响应变量，但它并不能改善样本外预测。但是，我很难进一步解释这一发现。这怎么可能？对此发现有何解释？ 提前致谢！ 额外信息：具有“显着影响”是指参数估计的最高95％后验密度间隔中不包含0（即使用贝叶斯方法）。用常客的话来说，这大致对应于p值小于0.05。我仅对所有模型参数使用扩散（无信息）先验。我的数据具有纵向结构，总共包含大约7000个观测值。对于样本外预测，我使用90％的数据来拟合模型，并使用10％的数据使用多次复制来评估模型。也就是说，我多次进行了火车测试拆分，并最终报告了平均性能指标。

10 statistical-significance  predictive-models  p-value  prediction  out-of-sample 

测试夏普比率或信息比率的重要性的正确方法是什么？夏普比率将基于各种股指，并且可能具有可变的回溯期。 我看到的一种解决方案只是应用了学生t检验，而df设置为回溯期的长度。 由于以下原因，我不愿采用上述方法： 我认为t检验对偏斜敏感，但是股本收益通常会产生负偏斜。 使用对数收益计算的平均收益小于使用简单收益计算的平均收益。我认为，与基于对数收益的夏普比率相比，基于收益的简单夏普比率更有可能被注册为重要资产，但是底层资产收益在技术上是相同的。 如果回溯期很小（即样本量很小），则t检验可能是适当的，但是使用其他检验在什么阈值下有意义？ 我的第一个倾向是避免使用学生t分布，而是创建一个基于非对称配电，我已经测试读取已被证明是股市回报的一个非常接近的近似，允许在峰度和偏度控制。 我的第二个倾向是看非参数测试，但是由于使用经验有限，我不确定从哪里开始以及应该避免的陷阱。 我是否在考虑这个问题，是否与我的担忧无关？

10 time-series  statistical-significance  mean  finance  ratio 

我正在尝试在R中拟合离散时间模型，但不确定如何执行。 我读过您可以将因变量组织在不同的行中，每个时间观察行一个，并将该glm函数与logit或cloglog链接一起使用。从这个意义上讲，我有三列：ID，Event（在每个时间范围内为1或0）和Time Elapsed（自观察开始以来）以及其他协变量。 如何编写适合模型的代码？哪个因变量？我想我可以将其Event用作因变量，并将其包括Time Elapsed在协变量中。但是，会发生什么ID呢？我需要吗？ 谢谢。

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

我想确定两组数据（B1，B2）中的哪一组与另一组（A）更好地相关（皮尔森r）。所有数据集中都缺少数据。如何确定所得的相关性是否显着不同？ 例如，在A和B1中都存在8426值，r = 0.74。A和B2中都存在8798，r = 0.72。 我认为这个问题可能会有所帮助，但尚未得到答案：如何知道一个系统明显优于另一个系统？

9 hypothesis-testing  correlation  statistical-significance  missing-data 

我创建了一个网页，其中提取了汤普森·路透社的实时奥运奖牌结果以及中央情报局的全球人口统计。 结果对我来说很有趣-匈牙利在世界其他地区的金牌获得两位数的领先优势。而且，美国和中国几乎在每个类别中都排名最低。 我的问题是-我是否以公平的方式展示数据？我简单地考虑了最大的人口，然后在此基础上为每个国家/地区创建了一个因子。 相对奖牌计数列基于该因子。 我可以添加哪些列？我还能添加什么其他因素来呈现最公正的看法？绝对观点很容易-路透社做到了。如何创建一个公平的看法？ https://rack.pub/rio

9 statistical-significance 

我有一个来自客户调查的数据集，我想部署一个统计测试以查看产品1和产品2之间是否存在显着差异。 这是客户评论的数据集。 速度是从很差，很差，可以，很好到非常好。 customer product1 product2 1 very good very bad 2 good bad 3 okay bad 4 very good okay 5 bad very good 6 okay good 7 bad okay 8 very good very bad 9 good good 10 good very good 11 okay okay 12 very good good …

9 statistical-significance  categorical-data  repeated-measures  ordinal-data 

最近讨论的热门话题涉及一本期刊，该期刊禁止从提交给该期刊的文章中使用“零假设统计测试程序（NHSTP）”。我看到一些作家使用了这个术语，但是我不明白他们试图做出什么区分。NHSTP是否与“假设检验”或“重要性检验”有所不同？

9 hypothesis-testing  statistical-significance  terminology 

我从其他帖子中得知，不能将“重要性”或“重要性”归因于进入套索模型的预测变量，因为计算这些变量的p值或标准差仍在进行中。 在这种推理下，断言一个人不能说套索模型中排除的变量是“无关紧要”还是“无关紧要”是正确的吗？ 如果是这样，对于套索模型中排除或包含的变量，我实际上能提出什么主张？在我的特定情况下，我通过重复10次交叉验证100次来选择调整参数lambda，以减少randonmess并平均误差曲线。 UPDATE1：我遵循以下建议，并使用引导程序示例重新运行套索。我试了100个样本（这是我的计算机功能可以在一夜之间解决的数量），并且出现了一些模式。我的41个变量中的2个进入模型的次数超过95％，3个变量超过90％，5个变量超过85％。当我使用原始样本运行模型时，这5个变量属于进入模型的9个变量，是当时系数值最高的变量。如果我运行带有1000个引导程序样本的套索并且保留了这些模式，那么呈现结果的最佳方法是什么？ 1000个引导程序样本听起来是否足够？（我的样本大小为116） 我是否应该列出所有变量以及它们进入模型的频率，然后认为输入频率更高的变量更有意义？ 就我所能要求的范围而言吗？因为它正在进行中（请参见上文），所以我不能使用截止值，对吗？ UPDATE2：根据以下建议，我计算出以下内容：平均而言，原始模型中的变量有78％进入了为100个自举样本生成的模型。另一方面，反之则只有41％。这在很大程度上与以下事实有关：为引导程序样本生成的模型往往比原始模型（9）包含更多的变量（平均17个）。 UPDATE3：如果你能帮助我解释我是从引导和蒙特卡罗模拟得到的结果，请看看这个其他职位。

9 statistical-significance  bootstrap  simulation  lasso  regression-strategies 

假设拒绝拒绝null表示null为真显然是错误的。但是，在一个情况下空未被拒绝和相应的置信区间（CI）是窄和围绕着0，这是否没有提供证据为空？ 我有两种想法：是的，实际上，这将提供证据表明效应几乎为0。但是，在严格的假设检验框架中，似乎无效效应及其对应的CI根本无法推理。那么，当CI的点估计不重要时，它的含义是什么？它是否也不能用于推理，还是可以像前面的示例中那样用于量化无效的证据？ 鼓励提供具有学术参考意义的答案。

9 hypothesis-testing  statistical-significance  confidence-interval 

假设我有一个频率为4个可能的事件的样本： Event1 - 5 E2 - 1 E3 - 0 E4 - 12 并且我具有发生事件的预期概率： p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 利用我四个事件的观测频率之和（18），我可以计算事件的预期频率，对吗？ expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 = 1.8 expectedE1 - …

9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

我是统计学的新手，并且了解我的问题可能完全被误解了。我正在测试自己的算法与其他算法。尽管输出不完全相同，但我想表明这些差异“在统计上无关紧要”。我该如何量化这一点呢？

9 correlation  statistical-significance  dataset 

接下来的嫁接摘自本文。我是新手，要引导并尝试为带有R boot包的线性混合模型实现参数，半参数和非参数自举。 R代码 这是我的R代码： library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) Out 问题 …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

与分析变量的比率有关，以及如何参数化两个正态分布变量的比率或一个变量的倒数？。 假设我有来自四个不同连续随机分布的多个样本，我们可以假设所有这些样本都是大致正态的。在我的情况下，这些对应于两个不同文件系统（例如ext4和XFS）的一些性能指标，无论有没有加密。该指标可能是，例如，每秒创建的文件数，或某些文件操作的平均延迟。我们可以假设从这些分布中抽取的所有样本将始终严格为正。我们称这些分布Perffstype,encryptionPerffstype,encryption\textrm{Perf}_{fstype,encryption} 哪里 fstype∈{xfs,ext4}fstype∈{xfs,ext4}fstype \in \{xfs,ext4\} 和 encryption∈{crypto,nocrypto}encryption∈{crypto,nocrypto}encryption \in \{crypto,nocrypto\}。 现在，我的假设是，加密会使一个文件系统比另一个文件系统减慢的速度更大。对假设是否有一些简单的检验E[Perfxfs,crypto]E[Perfxfs,nocrypto]&lt;E[Perfext4,crypto]E[Perfext4,nocrypto]E[Perfxfs,crypto]E[Perfxfs,nocrypto]&lt;E[Perfext4,crypto]E[Perfext4,nocrypto]\frac{E[\textrm{Perf}_{xfs,crypto}]}{E[\textrm{Perf}_{xfs,nocrypto}]} < \frac{E[\textrm{Perf}_{ext4,crypto}]}{E[\textrm{Perf}_{ext4,nocrypto}]}？

9 distributions  hypothesis-testing  statistical-significance