1
これはモンテカルロシミュレーションですか？
では、2つの正規分布を比較してみましょう Do this x times: runs <- 100000 a.samples <- rnorm(runs, mean = 5) b.samples <- rbeta(runs, mean = 0) mc.p.value <- sum(a.samples > b.samples)/runs アルファ（0.05）をxで割った値を下回るmc.p.値は、type1のエラー率になります。H0はa.samples> = b.samplesです。（https://www.countbayesie.com/blog/2015/3/3/6-amazing-trick-with-monte-carlo-simulationsに触発されて） しかし、モンテカルロシミュレーションは次の手順に従う必要があると思いました。 アルゴリズム： データのいくつかの分布、f（）またはf（θ）、およびいくつかのH0を設定します。 次の2つのステップを何度も繰り返します。（a）H0に従ってデータセットをシミュレートします（b）シミュレートしたデータを使用してT（x）を計算します サンプルデータから評価されたT（X）を追加する すべてのT（x）を注文する p値は、T（x）の割合で、サンプルデータのT（x）よりも極端または極端です したがって、最初のコードスニペットは、真のモンテカルロシミュレーションではありませんか？これは、p値が有効であるためです。これをグラフ化すると、統計的検定で期待される5％のtype1エラー率が得られないためです。