タグ付けされた質問 「t-test」

1つおよび2つのテールの独立したt検定のt統計とp値を計算するために、独自のPythonコードを記述しようとしています。通常の近似を使用できますが、現時点ではt分布のみを使用しようとしています。SciPyの統計ライブラリの結果をテストデータと照合することに失敗しました。私はどこかでばかげた間違いをしているかどうかを確認するために新鮮な目を使用することができました。 これは「なぜこの計算で正しいt統計が得られないのか」ということなので、これはコーディングの問題ではありません。完全を期すためにコードを提供しますが、ソフトウェアのアドバイスは期待していません。これが正しくない理由を理解するのに役立ちます。 私のコード： import numpy as np import scipy.stats as st def compute_t_stat(pop1,pop2): num1 = pop1.shape[0]; num2 = pop2.shape[0]; # The formula for t-stat when population variances differ. t_stat = (np.mean(pop1) - np.mean(pop2))/np.sqrt( np.var(pop1)/num1 + np.var(pop2)/num2 ) # ADDED: The Welch-Satterthwaite degrees of freedom. df = ((np.var(pop1)/num1 + np.var(pop2)/num2)**(2.0))/( (np.var(pop1)/num1)**(2.0)/(num1-1) …

8 statistical-significance  t-test  python 

保護された対応のあるサンプルのt検定を分析で使用するように依頼されました。要求者は、ペアのサンプルのt検定を実行するときに、被験者内のANOVA（1つの因子と4つのレベル）の全体的なMSeを使用しない場合、ANOVAからの保護は実際にはないことを述べています。 私が覚えているように、被験者間ANOVAでは、この手順は分散の均一性の仮定が満たされている場合にのみ防御できます。被験者内分散分析への拡張と思われるのは、球形性の違反がない場合にのみ許可されることです。このデータセットには違反があるため、球形性のHuynh-Feldt補正を適用することにしました。いずれにしても、このようなアプローチは分母の自由度を高めるため、保守的ではないと思われます。さらに、Rのpairwise.t.testのヘルプファイルには、「プーリングはペアのテストに一般化されていない」とあります。 私が計画した比較t検定の目的は、有意な分散分析をもたらした条件間の違いを識別することだけです。エラー分散のプールを拒否する理由を正当化したいのですが、そのようなアプローチが不適切であることを明確に示す引用を見つけることができません。誰か知っていますか？あるいは、なぜこの問題に対する私の考えが間違っているのですか？

8 anova  t-test  multiple-comparisons  repeated-measures 

lmerTestによって提供された、Rのlme4における線形混合モデルのt検定とF検定の違いに関する質問に遭遇しました。線形混合モデルのあらゆる種類のp値を計算する際の問題（主に自由度の定義に問題があることが原因であることがわかっているため）と、主な効果の解釈に関する問題を認識しています。重要な相互作用の存在（マージナリティの原則に基づく）。 簡単に言うと、データは2つの条件（合同TRUE / FALSE）の実験からのもので、6セットのセンサーで測定されます。これは、2つの要因の組み合わせとして説明できます。 。 以下の要約出力からわかるように、t.testは有意な合同効果（p = 0.12）を示しませんが、anova出力は非常に有意な合同効果（p = 2.8e-10）を示します。適合性には2つのレベルしかないため、これはF検定が固定因子のいくつかのレベルでオムニバステストを行った結果ではありません。したがって、何がanova出力に非常に重要な結果をもたらすのかはわかりません。これは、もちろんモデルのパラメータ化に主効果を含めることに依存する、合同性を伴う強い相互作用があるという事実によるものですか？ CrossValidatedでこの質問に対する以前の回答を探しましたが、おそらくこの質問に対する最初の回答を除いて、関連するものを見つけることができませんでした。しかし、それが本当の答えを提供するのであれば、それは数学に内在しているので、私が助けようとしている人に説明できる概念的な答えを探しています。 > final.mod<-lmer(uV~1+factor(congruity)*factor(laterality)*factor(anteriority)+(1|sent.id)+(1|Subject),data=selected.data) > summary(final.mod) Linear mixed model fit by REML t-tests use Satterthwaite approximations to degrees of freedom ['lmerMod'] Formula: uV ~ 1 + factor(congruity) * factor(laterality) * factor(anteriority) + (1 | sent.id) + (1 | Subject) Data: selected.data …

7 hypothesis-testing  mixed-model  t-test  lme4-nlme  f-test