タグ付けされた質問 「non-central」

F検定に適用されるLehrの式のようなサンプルサイズの式があるかどうか疑問に思っていますか？t検定のための徐冷炉の式は、Δは、効果の大きさである（例えば、Δ = （μ 1 - μ 2）/ σ）。これは、に一般化することができるN = C / Δ 2 cは式I率、所望の電力に依存する定数であり、1つは、片面または両面の試験を行っているかどうか。n=16/Δ2n=16/Δ2n = 16 / \Delta^2ΔΔ\Delta Δ=(μ1−μ2)/σΔ=(μ1−μ2)/σ\Delta = (\mu_1 - \mu_2) / \sigman=c/Δ2n=c/Δ2n = c / \Delta^2ccc F検定の同様の式を探しています。私の検定統計量を有する非中心Fのように、代替の下で、配布され自由と非中心性パラメータの程度N λ、λは唯一未知であるが、いくつかの値を取ることが仮定されている人口のパラメータに依存します。パラメータkは実験によって固定され、nはサンプルサイズです。理想的には、n = cの形式の（できればよく知られている）式を探してい ますk,nk,nk,nnλnλn \lambdaλλ\lambdakkknnn ここで、cはタイプIレートと電力のみに依存します。n=cg(k,λ)n=cg(k,λ)n = \frac{c}{g(k,\lambda)}ccc サンプルサイズが満たすべき ここで、Fは（X 、K 、N 、δ ）以外のCDFでありますk 、n dofおよび非心度パラメーターδを持つ中央F 、およびα 、βはタイプIおよびタイプIIのレートです。想定できるF(F−1(1−α;k,n,0);k,n,nλ)=β,F(F−1(1−α;k,n,0);k,n,nλ)=β, F(F^{-1}(1-\alpha;k,n,0);k,n,n\lambda) = …

12 sample-size  power  non-central  f-test 

多重線形回帰における変数のサブセットの古典的なF検定は、 ここで、は、「縮小」モデルの下での二乗誤差の合計であり、「大きな」モデル内にネストし、は、 2つのモデル。'big'モデルの追加の変数には線形の説明力がないという帰無仮説では、統計量はおよびの自由度を持つFとして分布されます。SSE（R）BdfdfR−dfBdfBF= （SSE（R ）− SSE（B ））/（dfR− dfB）SSE（B） / dfB、F=(SSE(R)−SSE(B))/(dfR−dfB)SSE(B)/dfB, F = \frac{(\mbox{SSE}(R) - \mbox{SSE}(B))/(df_R - df_B)}{\mbox{SSE}(B)/df_B}, SSE（R）SSE(R)\mbox{SSE}(R)BBBdfdfdfdfR− dfBdfR−dfBdf_R - df_BdfBdfBdf_B しかし、代替案の下での分布はどうですか？私はそれが非中心Fであると思います（二重非中心ではないことを願っています）が、非中心パラメーターが正確に何であるかについての参照は見つかりません。私はそれが真の回帰係数、おそらくは計画行列に依存すると推測しますが、それを超えると私はよくわかりません。Xββ\betaバツXX

11 regression  hypothesis-testing  power-analysis  non-central  f-distribution 

非中心性パラメーター非中心t分布の中央値は何ですか？CDFは無限和として表現されているように見え、逆CDF関数に関する情報を見つけることができないため、これは絶望的な質問になる可能性があります。δ≠0δ≠0\delta \ne 0

10 distributions  median  non-central  t-distribution 

特にサンプルサイズの決定と統計的検出力の分析に関して、統計の知識を磨くように努めています。でも、もっと読めば読むほど読まなければならないようです。 とにかく、私は必要なすべてを行うように見えるG * Powerと呼ばれるツールを見つけましたが、非中心性パラメーター、それは何ですか、それは何をするのか、何が推奨値になるのかなどを理解するのに問題がありますか？ ウィキペディアなどの情報が不完全であるか、それを理解するのがあまり上手ではありません。 それが何らかの助けになれば、私は一連の2つの尾のあるz検定を実施しています。 PS誰もがこの質問にもっと良いタグを追加できますか？

9 power-analysis  power  non-central 

仮定a⃗ a→\vec{a}未知であるppp -ベクトル、及び一方が観察。観測されたと既知のパラメーターのみに基づいて、ランダムな量信頼区間を計算したいと思います。つまり、与えられた、ような見つけます。b⃗ ∼N(a⃗ ,I)b→∼N(a→,I)\vec{b} \sim \mathcal{N}\left(\vec{a}, I\right)b⃗ ⊤a⃗ b→⊤a→\vec{b}^{\top} \vec{a}b⃗ b→\vec{b}pppα∈(0,1)α∈(0,1)\alpha \in (0,1)c(b⃗ ,p,α)c(b→,p,α)c(\vec{b}, p, \alpha)Pr(b⃗ ⊤a⃗ ≤c(b⃗ ,p,α))=αPr(b→⊤a→≤c(b→,p,α))=αPr\left(\vec{b}^{\top}\vec{a} \le c(\vec{b},p,\alpha)\right) = \alpha 信頼区間に寄与するランダム性も影響するため、これは奇妙な質問です。単純明快なアプローチは、、として、、は、これはの期待値です。（は、最大スケーリングでは、非中心カイ二乗RVであり、非中心パラメーターはb⃗ b→\vec{b}b⃗ b→\vec{b}a⃗ ∼N(b⃗ ,I)a→∼N(b→,I)\vec{a} \sim\mathcal{N}\left(\vec{b}, I\right)b⃗ ⊤a⃗ ∼N(b⃗ ⊤b⃗ ,b⃗ ⊤b⃗ I)b→⊤a→∼N(b→⊤b→,b→⊤b→I)\vec{b}^{\top}\vec{a} \sim\mathcal{N}\left(\vec{b}^{\top}\vec{b}, {\vec{b}^{\top}\vec{b}}I\right)b⃗ ⊤b⃗ b→⊤b→\vec{b}^{\top}\vec{b}a⃗ ⊤a⃗ a→⊤a→\vec{a}^{\top}\vec{a}b⃗ ⊤a⃗ b→⊤a→\vec{b}^{\top}\vec{a}b⃗ ⊤b⃗ b→⊤b→\vec{b}^{\top}\vec{b}a⃗ ⊤a⃗ a→⊤a→\vec{a}^{\top}\vec{a} ; …

8 confidence-interval  multivariate-analysis  chi-squared  non-central