精华内容
下载资源
问答
  • 在编程的时候,不少语言或者编程包只有现成的双侧T检验的函数,我想知道怎么根据双侧T检验的p值来得到单侧T检验的p值。 或者更广一点来说,单侧T检验p值双侧T检验的p值是什么关系? 双侧T检验 零假设H0:μ=0H0:μ=...

    在阅读前,建议看:t检验、t分布、t值
    先深入理解tt检验、tt分布、tt统计量的数学意义

    在编程的时候,不少语言或者编程包只有现成的双侧T检验的函数,我想知道怎么根据双侧T检验的 pp 值来得到单侧T检验的 pp 值。或者更广一点来说,单侧T检验 pp 值与双侧T检验的 pp 值是什么关系?

    双侧T检验

    零假设H0:μ=0H0:μ=0,对立假设H1:μ0H1:μ≠0

    简单理解
    我们假设了H0:μ=0H0:μ=0,并要去检验此假设下H0成立的概率高不高。
    因为是双侧,如下图所示,只要算出来的tt统计量-tscoretscore在95%的区域中,都是能够证明H0成立的。
    在这里插入图片描述

    PvalueP-value

    1. 在原假设为真时,检验统计量的观察值>=其计算值的概率:
      双侧检验为分布中两侧的面积之和

    2. PP越小,拒绝H0H0 的理由越充分。PP可看作H0H0是正确的概率,或拒绝了H0H0会犯错的概率,所以PP越小说明,犯错的风险越小。

    3. 对某一给定的样本,PP越小,说明犯第一类错误(弃真)的概率越小,如果P<=αP<=α(可接受的最大第一类错误风险),则拒绝原假设H0H0;相反如果P>αP>α,则认为第一类错误(弃真)的风险太大,于是接受原假设H0H0

    4. 决策规则:P<αP<α,拒绝H0H0

    单侧T检验

    零假设H0:μ<=0H0:μ<=0,对立假设H1:μ>0H1:μ>0

    简单理解
    我们假设了H0:μ<=0H0:μ<=0,并要去检验此假设下H0成立的概率高不高。
    因为是右侧检验(拒绝域在右边),如下图所示,只要算出来的tt统计量-tscoretscore在95%的区域中,都是能够证明H0成立的。
    在这里插入图片描述

    零假设H0:μ>=0H0:μ>=0,对立假设H1:μ<0H1:μ<0

    简单理解
    我们假设了H0:μ>=0H0:μ>=0,并要去检验此假设下H0成立的概率高不高。
    因为是左侧检验(拒绝域在左边),如下图所示,只要算出来的tt统计量-tscoretscore在95%的区域中,都是能够证明H0成立的。
    在这里插入图片描述

    单尾、双尾T检验的p值关系

    p=双侧检验的p值=双侧分布中两端面积的总和

    Excel-TDIST函数

    在Excel中使用TDIST函数 计算pp值:

    TDIST(x,degreesfreedom,tails)TDIST(x,degrees_freedom,tails)

    • X:为需要计算分布的数字。
    • Degrees_freedom:为表示自由度的整数。
    • Tails:指明返回的分布函数是单尾分布还是双尾分布。如果 tails = 1,函数 TDIST 返回单尾分布。如果 tails = 2,函数 TDIST 返回双尾分布。

    TDIST函数适用于:Excel2003、Excel2007、Excel2010、Excel2013、Excel2016。

    1. 如果任一参数为非数值型,函数 TDIST 返回错误值 #VALUE!。
    2. 如果 degrees_freedom < 1,函数 TDIST 返回错误值 #NUM!。
    3. 参数 degrees_freedomtails 将被截尾取整。
    4. 如果 tails 不为 1 或 2,函数 TDIST 返回错误值 #NUM!。
    5. 如果 x < 0,TDIST 返回错误值 #NUM!。 当 x < 0 时要使用 TDIST:
      TDIST(x,df,1)=1TDIST(x,df,1)=P(X>x)TDIST(-x,df,1) = 1 – TDIST(x,df,1) = P(X > -x)
      TDIST(x,df,2)=TDIST(x,df,2)=P(X>x)TDIST(-x,df,2) = TDIST(x,df,2) = P(|X| > x)
    6. 如果 tails = 1TDIST=P(X>x)TDIST = P( X>x ),其中 X 为服从 t 分布的随机变量。
    7. 如果 tails = 2TDIST=P(X>x)=P(X>x or X<x)TDIST = P(|X| > x) = P(X > x\ or\ X < -x)

    上述第5-7点对于x<0时的p值讨论,针对左侧检验和右侧检验都是一样的,同样适用!

    TDIST函数 计算可知:

    • p=TDIST(x,df,2)=TDIST(x,df,2)=P(X>x)=P(X>x or X<x)p双侧=TDIST(x,df,2)=TDIST(-x,df,2)= P(|X| > x) = P(X > x \ or\ X < -x)
    • tt统计量>0时,p=p/2=P(X>x)p单侧=p双侧/2=P(X >x)
    • tt统计量<0时,p=1p/2=P(X>x)p单侧=1-p双侧/2=P(X > -x)

    在这里插入图片描述

    Python-ttest等函数

    H0:μ=μ0H1:μμ0H0:μ=μ0,H1:μ≠μ0

    T检验涉及的函数:ttest_1samp进行双侧检验

    # 导入包
    from scipy import stats
    import numpy as np
    
    # 1.单一样本T检验-ttest_1samp
    # step1:生成数据,生成50行×2列的数据
    np.random.seed(120) # seed 保证每次运行得到的结果是一样的
    
    rvs=stats.norm.rvs(loc=41000,scale=5000,size=20) # 均值为5,方差为10,50行×2列的数据
    
    # step2:检验两列数的均值差异是否显著
    stats.ttest_1samp(rvs,40000)
    

    返回结果Ttest_1sampResult(statistic=2.481538955443869, pvalue=0.02260211710111142)

    此处的 tt 统计量statistic=2.481538955443869,pp双侧pvalue=0.02260211710111142

    tt 统计量在双尾和单尾检测中的区别:

    1. tt 统计量不管是双尾检验还是单尾检验,算出来的 tt 值都是一样的,唯一的区别在于双尾中的是 t|t| ,而单尾中的 tt 是包含+、-符号的。
    2. 另一区别在于,查 tt 分布表得出的临界值是不一样的。
      双尾查的是 tα/2(df)t-α/2(df) ,对比的是 pp双侧tα/2(df)t-α/2(df)
      单尾查的是tα(df)t-α(df),对比的是 pp单侧tα(df)t-α(df)
      1)当tt统计量>0时,p=p/2=P(X>x)p单侧=p双侧/2=P(X >x)
      2)当tt统计量<0时,p=1p/2=P(X>x)p单侧=1-p双侧/2=P(X > -x)

    更多应用:【DA】常见的假设检验

    总结

    单侧检验和双侧检验是等价的。没有谁更严格之说。

    选择单尾和双尾检验时,就先根据实际问题确定正确的H0和H1,这样验证的思路也会更清晰。

    实际上,同一个单尾检验问题,根据关注点的不同(提问方向的不同),既可以用左侧检验,也可以用右侧检验。两种检验得到的 tt 统计量的值是一样的,区别在于拒绝域在哪一侧

    展开全文
  • 单侧检验和双侧检验单侧检验和双侧检验医学统计学及其软件包 上海第二医科大学 生物统计教研室 第一节 医学统计学 第一节 医学统计学 1.统计学 (statistics):收集,整理和分析带有随机性的数据。 2.医学统计学 ...

    单侧检验和双侧检验单侧检验和双侧检验

    医学统计学及其软件包 上海第二医科大学 生物统计教研室 第一节 医学统计学 第一节 医学统计学 1.统计学 (statistics):收集,整理和分析带有随机性的数据。 2.医学统计学 (medical statistics):统计学的原理和方法在医学和生物学中的应用。 第一节 医学统计学 医学统计学的主要内容有: 1.统计研究设计 2.统计描述 3.统计推断 4.研究联系 5.研究分类,鉴别 6.研究检测 统计研究设计 1.估计研究对象的数量(样本大小估计) 2.跟据研究目的确定对照的类型 3.保证随机化和双盲原则的贯彻 4.跟据研究目的确定主要和次要考核指标 5.如何收集和汇总数据以保证数据质量 6.如何进行统计分析 统计研究设计 1.调查研究或观察性研究(observational study) 2.实验研究(experimental study) 统计描述(statistical discription) ? 统计描述指用统计指标、统计表、统计图等方法,对资料的数量特征及其分布规律进行测定和描述。 统计推断(statistical inference) 统计推断指用样本推断总体。 总体(population):一个统计问题所研究对象的全体。 总体中每一个研究对象称为个体(individual)。 有限总体:有确定的时间和空间范围,总体内观察单 位是有限的。 无限总体:没有时间和空间范围限制,因而观察单位 数无限。 样本(sample):按随机的方式从总体中抽取若干个 体构成一个样本。 参数(parameter) :用于描述总体分布的数字特征 的量。如:?,?,? 统计量(statistics):不包含总体中任何未知参数的 样本指标和样本数据的函数。如: ,S,P 1.参数估计(estimation of parameter) 根据总体中所抽得的样本,由样本统计量估计总体分布中的未知参数。可分为点估计和区间估计。 1)点估计(point estimation):选择一个适当的样本统计量作为总体参数的估计值称为点估计。 统计推断(statistical inference) 2)区间估计(interval estimation):根据一定的精确度要求,确定一个概率水平,由样本统计量计算出一个适当的区间作为未知总体参数真值所在的范围,称为区间估计。称此概率水平为可信度,或置信度,或可信水平,或置信水平( confidence level)。所估计的区间称为可信区间或置信区间(confidence interval),区间的端点称为可信限(confidence limit),有上限,下限之分。 例如,估计用某方法治疗某病的治愈率。从患某病的病人总体中随机抽得100例病人进行治疗,治愈50例,则可得样本治愈率为50%。总体治愈率的点估计为50%。总体治愈率区间估计,当可信度为95%时,总体治愈率的95%可信区间为40%~60%。当可信度为99%时,总体治愈率的99%可信区间为37%~63%。 统计推断(statistical inference) 统计推断(statistical inference) 2.假设检验(hypothesis testing) 又称显著性检验(significance testing)。 先对总体的参数或分布作出某种假设,例如总体为正态分布,两个总体均数相等,两总体率相等,然后检验这个假设成立的可能性大小,作出推断。 ? ? 统计推断(statistical inference) 无效假设(null hypothesis)H0 : π1=π2 备择假设(alternative hypothesis) H1 :π1≠π2 然后根据检验假设, π1=π2=70%,成立的情况 下,计算由于抽样误差得到目前样本及更极端情况 的可能性大小。本例用卡方检验,得到检验统计量 χ2=9.524,根据检验统计量的分布计算概率(可 能性大小)P值,P=0.002,可能性很小。 统计推断(statistical inference) 概率论认为:在一次试验中小概率事件不可能发生。 在统计中,一般公认为P≤0.05为小概率。本例P=0.002<0.05,因此可认为假如π1=π2,即使抽样误差也不可能得到目前样本,于是检验假设, π1=π

    展开全文
  • 不过,无论如何,p值(总是)采用的是双侧检验。但是如何来选择检验方法呢?p值是否与其般配呢?如果不合适,如何来正确地计算p值呢? What is a two-tailed test? 什么是双侧检验? First let’s start with the ...

    What are the

    differences

    between one-tailed and two-tailed

    tests?

    来源:

    Institute for Digital Research

    and Education

    When you conduct a test of statistical significance, whether it

    is from a correlation, an ANOVA, a regression or some other kind of

    test, you are given a p-value somewhere in the

    output. If your test statistic is symmetrically

    distributed, you can select one of three alternative hypotheses.

    Two of these correspond to one-tailed tests and one corresponds to

    a two-tailed test. However, the p-value presented

    is (almost always) for a two-tailed test. But how

    do you choose which test? Is the p-value

    appropriate for your test? And, if it is not, how can you calculate

    the correct p-value for your test given the p-value in your

    output?

    就相关性、方差、回归等方面做统计学显著性检验,在结果中总会给出p值。倘若检定统计量(test

    statistic)为均匀分布,那么就可以在三个替代假设(alternative

    hypotheses)中选择一个。其中,有两个跟单侧检验(one-tailed test)对应,一个跟双侧检验(two-tailed

    test)对应。不过,无论如何,p值(总是)采用的是双侧检验。但是如何来选择检验方法呢?p值是否与其般配呢?如果不合适,如何来正确地计算p值呢?

    What is a two-tailed test?

    什么是双侧检验?

    First let’s start with the meaning of a two-tailed test.

    If you are using a significance level of 0.05, a

    two-tailed test allots half of your alpha to testing the

    statistical significance in one direction and half of your alpha to

    testing statistical significance in the other

    direction. This means that .025 is in each tail

    of the distribution of your test statistic. When using a two-tailed

    test, regardless of the direction of the relationship you

    hypothesize, you are testing for the possibility of the

    relationship in both directions. For example, we

    may wish to compare the mean of a sample to a given value x

    using a t-test. Our null hypothesis is that the

    mean is equal to x. A two-tailed test will test both if the

    mean is significantly greater than x and if the mean

    significantly less than x. The mean is considered

    significantly different from x if the test statistic is in

    the top 2.5% or bottom 2.5% of its probability distribution,

    resulting in a p-value less than

    0.05.

    首先来看双侧检验的定义。如果显著性水平为0.05,双侧检验将检测统计显著性的alpha的一半置于一侧,另外一半置于另一侧,即,一侧的检定量分布为0.025,另一侧的也是0.025。采用双侧检验的时候,无论假设的关系的方向如何,对关系的可能性都要要进行双侧检验。例如,当希望将某一样本的均值来跟一个给定的值

    x 做比较的时候,初始假设(null hypothesis)为均值等于 x 。接下来是一个双侧检验,看均值是否明显大于 x

    还是明显小于 x 。如果检定统计量位于概率分布的右侧的2.5%或者概率分布的左侧的2.5%,导致 p 值小于0.05的话,则认为均值与

    x 有明显的区别。

    概率正态分布

    What is a one-tailed test?

    什么是单侧检验?

    Next, let’s discuss the meaning of a one-tailed

    test. If you are using a significance level of

    .05, a one-tailed test allots all of your alpha to testing the

    statistical significance in the one direction of

    interest. This means that .05 is in one tail of

    the distribution of your test statistic. When using a one-tailed

    test, you are testing for the possibility of the relationship in

    one direction and completely disregarding the possibility of a

    relationship in the other direction. Let’s return

    to our example comparing the mean of a sample to a given value

    x using a t-test. Our null hypothesis is

    that the mean is equal to x. A one-tailed test will test

    either if the mean is significantly greater than x or if the

    mean is significantly less than x, but not both. Then,

    depending on the chosen tail, the mean is significantly greater

    than or less than x if the test statistic is in the top 5%

    of its probability distribution or bottom 5% of its probability

    distribution, resulting in a p-value less than

    0.05. The one-tailed test provides more power to

    detect an effect in one direction by not testing the effect in the

    other direction. A discussion of when this is an appropriate option

    follows.

    接下来讨论单侧检验的定义。如果显著性水平采用0.05,单侧检验将检验统计显著性的alpha完全放在相关的一侧,即,将0.05放在检验统计量分布的一侧。采用单侧检验的时候,考虑的只是一侧的关系概率,而对另一侧的则视之不见。退回到上例,采用

    t 检验对均值跟一个给定的 x 值做比较,原始假设为均值等于 x 。单侧检验只检验均值是否明显大于 x 或者明显小于 x

    ,不会同时检验两者。那么,根据所选择的一侧,如果检测统计量落在其概率分布的右侧的5%内或者左侧的5%内,均值明显大于或者小于 x

    将得出一个小于0.05的 p

    值。单侧检验,在对另一侧的效果不做检测的情况下,拥有更多的权重来检测一侧的效果。下面就来讨论在什么情况下适合采用单侧检验的方法。

    When is a one-tailed test appropriate?

    在什么情况下适合采用单侧检验的方法

    Because the one-tailed test provides more power to detect an

    effect, you may be tempted to use a one-tailed test whenever you

    have a hypothesis about the direction of an effect. Before doing

    so, consider the consequences of missing an effect in the other

    direction. Imagine you have developed a new drug

    that you believe is an improvement over an existing

    drug. You wish to maximize your ability to detect

    the improvement, so you opt for a one-tailed test. In doing so, you

    fail to test for the possibility that the new drug is less

    effective than the existing drug. The

    consequences in this example are extreme, but they illustrate a

    danger of inappropriate use of a one-tailed test.

    单侧检验具有更多的权限(power)来检测效果,只要手头有一个关于某一效果的方向的假设,实验者就想将它放在优先的位置来考虑。不过,在正式采用之前,必须斟酌因丢失另一个方向的效果而产生的各种后果。设想实验者开发了一种新药,并认为它相对于目前存在的某种药物有改善。他想最大化检测这种改善的能力,于是采用了单侧检验。这么一来,他没能对新药的效果是否不如现存的那种药物的效果进行检测。这不过是一个极端的例子,但是它揭示了采用单侧检验不当的危险。

    So when is a one-tailed test appropriate? If you consider the

    consequences of missing an effect in the untested direction and

    conclude that they are negligible and in no way irresponsible or

    unethical, then you can proceed with a one-tailed test. For

    example, imagine again that you have developed a new drug. It is

    cheaper than the existing drug and, you believe, no less

    effective. In testing this drug, you are only

    interested in testing if it less effective than the existing

    drug. You do not care if it is significantly more

    effective. You only wish to show that it is not

    less effective. In this scenario, a one-tailed test would be

    appropriate.

    那么什么时候采用单侧检验才合适呢?在对未检验一侧丢失的效果所产生的各种后果都做了考虑,并且认定它们可以忽略不计,绝对不是不负责任或者不道德的表现之后,才能实施单侧检验。例如,再次设想实验者开发来一种新药。它比现存的某种药物要便宜,并且实验者相信它绝对不会比现存的那种药物的效果要差。在检验这个药物的过程中,实验者仅仅对它是否比现存的药物的效果要差感兴趣。他对这种药物是否比现存的这种药物的效果明显要好不感兴趣。他只是希望它的效果不低于现有的药物。在这种情况下,采用单侧检验是合适的。

    When is a one-tailed test NOT appropriate?

    什么时候单侧检验不合适呢?

    Choosing a one-tailed test for the sole purpose of attaining

    significance is not appropriate. Choosing a

    one-tailed test after running a two-tailed test that failed to

    reject the null hypothesis is not appropriate, no matter how

    "close" to significant the two-tailed test was. Using statistical tests inappropriately can lead to invalid results

    that are not replicable and highly questionable–a steep price to

    pay for a significance star in your results

    table!

    Deriving a one-tailed test from two-tailed output

    从单侧检验派生出双侧检验

    The default among statistical packages performing tests is to

    report two-tailed p-values. Because the most

    commonly used test statistic distributions (standard normal,

    Student’s t) are symmetric about zero, most one-tailed p-values can

    be derived from the two-tailed

    p-values.

    Below, we have the output from a two-sample t-test in

    Stata. The test is comparing the mean male score

    to the mean female score. The null hypothesis is

    that the difference in means is zero. The

    two-sided alternative is that the difference in means is not

    zero. There are two one-sided alternatives that

    one could opt to test instead: that the male score is higher than

    the female score (diff > 0) or that the female

    score is higher than the male score (diff <

    0). In this instance, Stata presents results for

    all three alternatives. Under the headings Ha:

    diff < 0 and Ha: diff > 0 are the results for the

    one-tailed tests. In the middle, under the heading Ha: diff !=

    0 (which means that the difference is not equal to 0), are the

    results for the two-tailed test.

    Note that the test statistic, -3.7341, is the same for all of

    these tests. The two-tailed p-value is P >

    |t|. This can be rewritten as P(>3.7341) + P(<

    -3.7341). Because the t-distribution is symmetric

    about zero, these two probabilities are equal: P > |t| = 2

    * P(< -3.7341). Thus, we can

    see that the two-tailed p-value is twice the one-tailed p-value for

    the alternative hypothesis that (diff < 0). The other one-tailed alternative hypothesis has a p-value of

    P(>-3.7341) = 1-(P

    0.9999. So, depending on the

    direction of the one-tailed hypothesis, its p-value is either

    0.5*(two-tailed p-value) or 1-0.5*(two-tailed p-value) if the test

    statistic symmetrically distributed about zero.

    注意,检测统计量,-3.7341,对所有的检测来说都是相同的。双侧的 p 值为 P > |t|。这可以重新写做 P

    (>3.7341)+ P ( |t| =

    2 * P(< -3.7341)。因此,对应于替代假设 (diff <

    0),可以将双侧检验的 p 值看成是单侧检验的 p 值的两倍。另一侧的单侧替代假设的 P (>-2.7341)的 p 值 =

    1-(P

    0.9999。所以,根据单侧假设的方向,如果检测统计量是关于零的对称分布的话,它的 p 值要不是 0.5 * (双侧 p 值),就是 1-0.5 * (双侧 p 值)。

    In this example, the two-tailed p-value suggests rejecting the

    null hypothesis of no difference. Had we opted for the one-tailed

    test of (diff > 0), we would fail to reject the null because of

    our choice of tails.

    在这个例子中,双侧 p 值建议对无差异的原始假设(零假设)不予考虑。但是,倘若实验者采用了(diff >

    0)的单侧检验的话,他可能因为他所做的选择而不能排斥该原始假设。

    The output below is from a regression analysis in

    Stata. Unlike the example above, only the

    two-sided p-values are presented in this output.

    下面是采用统计软件 Stata 做的回归分析的结果。跟上面的例子不一样,该结果中只有双侧的 p 值。

    For each regression coefficient, the tested null hypothesis is that

    the coefficient is equal to zero. Thus, the

    one-tailed alternatives are that the coefficient is greater than

    zero and that the coefficient is less than zero. To get the p-value

    for the one-tailed test of the variable science having a

    coefficient greater than zero, you would divide the .008 by 2,

    yielding .004 because the effect is going in the predicted

    direction. This is P(>2.67). If you had made your prediction in

    the other direction (the opposite direction of the model effect),

    the p-value would have been 1 – .004 = .996. This

    is P(<2.67). For all three p-values, the test statistic is

    2.67.

    回归系数在原始假设里都等于零。因此,所有的单侧替代假设都将其系数设为大于零和小于零。为了取得系数大于零的变量“科学(science)”的单侧检验的

    p 值,必须将 0.008 除以 2,得0.004,因为该效果会落在预计的方向。这是 P

    (>2.67)。如果实验者在这之前将预测放在方向的另一侧(与本模型效果相反的方向),p 值就会是 1 –0.004 =

    0.996。这是 P (<2.67)。对所有三个 p 值,检验统计量都是 2.67。

    展开全文
  • 用过SPSS的人都知道,卡方检验的时候,最重要的点在于,根据期望值选择什么计算P值的方法。所有期望数值>5,选择pearson 卡方p;1-5,选择连续校正P;<1,祖安泽精确概率的P值。如图,SPSS能够一个表格中一下...

    用过SPSS的人都知道,卡方检验的时候,最重要的点在于,根据期望值选择什么计算P值的方法。

    所有期望数值>5,选择pearson 卡方p;1-5,选择连续校正P;<1,祖安泽精确概率的P值。

    如图,SPSS能够一个表格中一下出来期望值,列频数和三种方法的检验P值,对应着看就可以

    4c897f9fc2d67d4d737114a293d7de0e.png

    作为据说更优秀的R,尝试写了一下,用最原始的方法:

    805bcca755e212c3eaa27998afb44035.png

    第2-4行命令分别对应,看四格表实际数,看列频数,看期望值

    第5行是真正的卡方检验,要根据期望值,觉得是否需要校正,correct=T or F,或者干脆得用fisher.test

    f7bb65231889ccf23d38f0b9198a83e5.png

    如果R只能这样做卡方检验,我宁愿去吃屎,简直太不智能了,所以继续探索,其实还可以更简单:

    8e4db10dd6e901abc2c6ac5538b8ad7b.png

    在CrossTable语句中,其实还有很多个参数,但是我想需要的也无非就是上面提到的三个。所以不想要的就直接改成F,结果如下

    07181f86f3bb4cdcd4090da6eccecfe4.png

    根据期望值,选择想要的P值即可。

    22968f866fa98651fb2399aed2fd6cda.png

    fisher精确概率这里看着复杂,其实就是双侧检验和单侧检验而已啦,一般是前者。

    到这里呢,也只能说R跟SPSS差不多,并没有很简便啊,那么能不能做批量卡方检验呢?待开发

    展开全文
  • 应考虑所要解决问题的目的,根据专业知识来确定用单侧检验还是双侧检验。若从专业知识判断一种方法的结果不可能低于或高于另一种方法的结果时,可用单侧检验;尚不能从专业知识判断两种结果谁高谁低时,则用双侧检验...
  • 我们都知道p值是用来说明数据间显著性差别的统计值,p值的由来以及计算方法可谓是非常有意思,所以在这里介绍给大家。 我们从一个经典的例子开始: 小明闲的蛋疼抛硬币玩,他连续抛出一枚硬币5次,并得到了(正 正 正...
  • 了解概率的计算方法,我们就知道了,假设检验求P值就可以等价为求P(>1.77)(这里只考虑单侧检验,就是我们知道身高不可能比原来还矮,只可能不变或变高,更严谨的写法或者是双侧检验应该是: ,即P值是在零假设下...
  • P值是对第一类错误的更精确的度量,如果最开始就限定了第一类错误,那么只要落入拒绝域的都会拒绝,但并不知道拒绝的程度有多大,相当于第一类错误只是一个通用的风险,但是不同场景下其实风险是不同的,所以要利用...
  • 单侧检验和双侧检验都是属于现代医学上比较常见的一种检验的方法,通过单侧检验或者是双侧检验可以有效检查出药物数据以及专业知识等,而单侧检验和双侧检验也是存在一定的区别的,需要根据专业的检验结果来进行判断...
  • 假设检验基本方法 检验形式 (1)双侧检验 双侧检验属于决策中的假设检验。也就是说,不论是拒绝H0,还是接受H1 ,都必需采取相应的行动措施。 (2)单侧检验 单侧检验又可分两种形式: a、检验研究中的假设 将所...
  • 在假设检验中,双侧检验的假设为H0:μ=μ0,H1:μ≠μ0。但是在单侧检验中要判断是使用左单侧检验还是右单侧检验,两者对应的假设是相反的,如果用错检验,很可能得到错误的结论。对同一个问题使用不同侧的单侧...
  • 判断是否位于拒绝域中,就是比较p值与α进行比较,所以样本结果位于拒绝域的条件是: 左尾:p α 右尾:p α 双尾:p α/2 (有待验证) 对于示例中的判断,若设定显著性水平为0.05,则若p,则拒绝H0,接受H1,反之...
  • 来源:检验医学网黄疸是指血液中总的胆红素超过正常,透过皮肤表现为皮肤发黄。若抽血测定胆红素:足月儿在黄疸高峰期不超过:220.6umol/L(12.9mg/dl);早产儿不超过:256.5umol/L(15mg/dl)。一般是生...
  • 依据假设检验的规则,由样本资料计算出检验统计量的实际,与临界比较,视实际落入接受区域还是拒绝区域,做出接受或拒绝原假设的结论。假设中的等于的涵义:属于统计学意义上的等于,可以是假定参数附近的某....
  • 统计学P值

    千次阅读 2019-05-06 19:30:02
    P 值是最常用的一个统计学指标,几乎统计软件输出结果都有P值。 统计学的观点,超过一定基准(比如 5%,其实是低于5%),就不能简单地认为这是偶然事件了...所以(双侧P值): 如果扔10次出现出现8次正面: 一...
  • 最近一段时间忙着写Paper,没有时间整理一下数据分析中的一个重要问题:异常或者是离群值的检验问题(Outlier detection),如下图所示。实时上,关于异常处理的问题,对于经济学中的实证分析并不是什么大问题,...
  • 作者:蜡笔小新经常做尿常规的同事会发现,新生儿科的尿常规最容易审核,除了比重低点,其他的绝大部分都是正常的,审单的速度就像坐上了高铁,快得很。【案例经过】这次遇到一个坎,...科室的血糖危急高值为25 ...
  • 这是对零假设的双侧检验,即独立观察'a'的样本的期望(平均)等于给定的总体均值popmean。看看下面的一个例子。from scipy import stats rvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2)) ...
  • 这是对零假设的双侧检验,即独立观察'a'的样本的期望(平均)等于给定的总体均值popmean。看看下面的一个例子。from scipy import statsrvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2))pri...
  • P值即概率,反映某一事件发生的可能性大小。P值的计算:一般地,用X 表示检验的统计量,当H0为真时,可由样本数据计算出该统计量的值C,根据检验统计量X的具体分布,可求出P... C}双侧检验的P值为检验统计量X 落在样...
  • 具体可看https://zhuanlan.zhihu.com/p/86178674 例:神经学家测试一种药物对反应时间的效果,分别对100只老鼠注射一单位剂量的药物,对其进行神经刺激,然后记录反应时间,已知没有注射药物的老鼠的平均反应时间是...
  • 这是对零假设的双侧检验,即独立观察'a'的样本的期望(平均)等于给定的总体均值popmean。看看下面的一个例子。from scipy import stats rvs = stats.norm.rvs(loc = 5, scale = 10, size = (50,2)) ...
  • daisyqian回答于:2018-10-01...标准正态分布表临界的计算:NORMSINV(1-α/2) 【双侧】,例如NORMSINV(1-0.05/2)=1.959963985NORMSINV(1-α) 【单侧】,例如NORMSINV(1-0.05)=1.644853627你将我的公式复制、粘贴至...
  • css单边投影与双侧投影

    千次阅读 2016-11-25 09:09:17
    box-shadow做单边投影的核心是第四个参数 扩张半径,这个参数会根据你指定的去扩大或缩小投影尺寸,如果我们用一个负的扩张半径,而他的刚好等于模糊半径,那么投影的尺寸就会与投影所属的元素尺寸完全一致,...
  • 关于p值的一些经验法则

    千次阅读 2017-08-14 23:11:00
    p值挺依赖样本的,样本太大,即使一个很小的差也会统计为显著的差异. 同样的样本量,Z-test更容易得到小的p值,t分布比较...单侧检验的p值双侧检验的一半。 双侧检验: 当我们的假设是有没有差异性的时候: H0: ...
  • 材料和方法:本研究包括40例患有痉挛性双侧CP的儿童,年龄在3至10岁之间,并且具有总运动功能分类系统(GMFCS)的I,II和III级。 通过随机分组将儿童分为训练组和训练组。 除经典的理疗程序外,用于躯干控制的...
  • 假设检验之p值(probability value)

    千次阅读 2019-09-08 21:08:24
    假设检验与参数估计时统计推断的两个组成部分,它们都是利用样本对总体进行某种推断,但推断的角度不同。...关于假设检验过程中的原假设、备择假设、单侧检验及双侧检验等内容都比较容易理解。这里重点讨论一...

空空如也

空空如也

1 2 3 4 5
收藏数 91
精华内容 36
关键字:

双侧p值