Bonferroni校正:如果在同一数据集上同时检验n个独立的假设,那么用于每一假设的统计显著水平,应为仅检验一个假设时的显著水平的1/n http://baike.baidu.com/view/1217813.htm?fr=aladdin Bonferroni校正法: 此方法是在进行两两比较时对检验水准进行调整的办法,但是该方法在比较的次数较多时,就不太适合,因为校正后的检验水准会过小.此时可采用sidark法进行多重比较(仍然是对检验水准进行调整). 统计学中一般以小概率作为判断差异是否显著

例子:以往通过大规模调查已知某地新生儿出生体重为3.30kg.从该地难产儿中随机抽取35名新生儿作为研究样本,平均出生体重为3.42kg,标准差为0.40kg. 问该地难产儿出生体重是否与一般新生儿体重不同? 已知: 总体均数μ0=3.30kg,总体标准差 σ未知,n=35为小样本,,S=0.40kg,故选用单样本t检验 1. 建立检验假设,确定检验水准 H0:μ=μ0,该地难产儿与一般新生儿平均出生体重相同; H1:μ≠μ0,该地难产儿与一般新生儿平均出生体重不同; α=0.05. 2.计算检

从具有t值来看,你是在进行T检验.T检验是平均值的比较方法. T检验分为三种方法: 1. 单一样本t检验(One-sample t test),是用来比较一组数据的平均值和一个数值有无差异.例如,你选取了5个人,测定了他们的身高,要看这五个人的身高平均值是否高于.低于还是等于1.70m,就需要用这个检验方法. 2. 配对样本t检验(paired-samples t test),是用来看一组样本在处理前后的平均值有无差异.比如,你选取了5个人,分别在饭前和饭后测量了他们的体重,想检测吃饭对他们的体

假设检验的标准步骤: 1.建立假设:根据问题的需要提出原假设H0,以及其对立面备择假设H1. 2.确立检验水准:即设立小概率事件的界值α. 3.进行试验:得到用于统计分析的样本,以该试验的结果作为假设检验的根据. 4.选定检验方法,计算检验统计量. 5.确定P值. 原假设也称为零假设,备择假设也称为对立假设.对立假设就是对立于原假设,备择假设的意思是,一旦你决定不采纳原假设,则这假设可备你选择. 根据统计学观点,接受原假设和否定原假设,二者的意义并非对等.接受原假设只是意味着,按所获数据来看,并

来源:http://blog.sina.com.cn/s/blog_6b1c9ed50101l02a.html,http://wenku.baidu.com/link?url=3mRTbARl0uPHHRFO9CdqhBNeUj-nb8dRwtqRN2oGqu8u1kN6IsqgYy-H8ggB7jOkPXhx703oM9YW9ftfOlh2dz7KJmlliOhDa4-WZFEEus_,http://www.dxy.cn/bbs/thread/28263194#28263194 一.假设检验基

卡方检验(chi-square test)是英国统计学家Pearson提出的一种主要用于分析分类变量数据的假设检验方法,该方法主要目的是推断两个或多个总体率或构成比之间有无差别. 卡方分布界值表的依据是卡方分布,其分布是连续型分布,而计数资料中的实际频数为分类资料,是不连续的.因此,计算出来的卡方值查界值表所得的概率P偏小,特别是对自由度为1的四格表资料的影响更大. 为此,美国统计学家F.Yates(1934年)提出了计算卡方的连续性校正法(correction for continuity)

对于多于两组(k>2)样本均数的比较,t检验不再适用,方差分析(analysis of variance, ANOVA)则是解决上述问题的重要分析方法.方差分析由R.A.Fisher(1923)首先提出,故又称为F检验,其基本思想是将全部观测值的总变异按影响因素分解为相应的若干部分变异,在此基础上,计算假设检验的统计量F值,实现对总体均数是否有差别的推断. 完全随机设计的方差分析 随机区组设计的方差分析 多个样本均数的两两比较 根据方差分析的结果,若拒绝H0接受H1,则可以推断K组均数不全相同,

SPSS详细操作:样本均数间的多重比较 下面我们用例子来探讨:方差分析得出各组总体均数间的差异有统计学意义之后,如何进行样本均数间的多重比较. 一.问题与数据 为调查A.B.C三种治疗措施对患者谷丙转氨酶(ALT)的影响,某科室将45名患者随机分为三组,每组15人,分别采取A.B.C三种治疗措施,治疗后ALT水平(U/L)如下.试问应用三种治疗措施后,患者的ALT水平是否有差异?如果有差异,又是哪两个组间的ALT水平存在差异? 表1. 三组患者治疗后的ALT水平(U/L) 二.对数据结构的分析

P值与significant的理解 来源:广州市统计局   发表日期:2015-01-21     P值可以理解为结论的风险大小,也就是根据数据得出的结果有多大的错误风险,P值越小,结论错误的风险越小,即结论越可靠.P值越大,错误的风险越大,即结论的可靠性差.实际上significant的含义应该是“非偶然的”,当根据样本资料所得结果是significant,实际上表明这一结果“不是偶然”得到的,更可能是真实存在这样一种结果.关于P值的理解         P值可以理解为结论的风险大小,也就是根

一般来说,回归不用在分类问题上,因为回归是连续型模型,而且受噪声影响比较大.如果非要应用进入,可以使用logistic回归. logistic回归本质上是线性回归,只是在特征到结果的映射中加入了一层函数映射,即先把特征线性求和,然后使用函数g(z)将最为假设函数来预测.g(z)可以将连续值映射到0和1上. logistic回归的假设函数如下,线性回归假设函数只是. logistic回归用来分类0/1问题,也就是预测结果属于0或者1的二值分类问题.这里假设了二值满足伯努利分布,也就是 当然假设它满

http://blog.csdn.net/pipisorry/article/details/51184556 T检验 T检验,亦称student t检验(Student's t test),学生t检验(英语:Student's t-test)是指虚无假设成立时的任一检定统计有学生t-分布的统计假说检定,属于母数统计.学生t检验常作为检验一群来自常态分配母体的独立样本之期望值的是否为某一实数,或是二群来自常态分配母体的独立样本之期望值的差是否为某一实数. 主要用于样本含量较小(例如n<30),总

Logistic回归:实际上属于判别分析,因拥有很差的判别效率而不常用. 1． 应用范围: ①     适用于流行病学资料的危险因素分析 ②     实验室中药物的剂量-反应关系 ③     临床试验评价 ④     疾病的预后因素分析 2． Logistic回归的分类: ①     按因变量的资料类型分: 二分类 多分类 其中二分较为常用 ②     按研究方法分: 条  件Logistic回归 非条件Logistic回归 两者针对的资料类型不一样,后者针对成组研究,前者针对配对或配伍研究.

方差分析 参考:http://wiki.mbalib.com/wiki/%E6%96%B9%E5%B7%AE%E5%88%86%E6%9E%90  方差分析(Analysis of Variance,简称ANOVA) 什么是方差分析 方差分析(ANOVA)又称“变异数分析”或“F检验”,是R.A.Fister发明的,用于两个及两个以上样本均数差别的显著性检验. 由于各种因素的影响,研究所得的数据呈现波动状.造成波动的原因可分成两类,一是不可控的随机因素,另一是研究中施加的对结果形成影响的可控因素

T test 由来已久 T 检验的概念 假设检验的步骤 假设检验可以分为三步: 建立检验假设和确定检验水准 单侧检验与双侧检验 选定检验方法和计算检验统计量 确定P值和做出推断结论 假设检验的两类错误 T test 由来已久 from scipy import stats import numpy as np 假设检验也叫显著性检验,是以小概率反证法的逻辑推理,判断假设是否成立的统计方法. 首先,假设样本对应的总体参数(或分布)与某个一直总体参数(或分布)相同,然后根据统计量的分布规律来分析样本

这里所拟合模型的AIC和SC统计量的值均小于只有截距的模型的相应统计量的值,说明含有自变量的模型较仅含有常数项的要好 但模型的最大重新换算 R 方为0.0993,说明模型拟合效果并不好,可能有其他危险因素未包括到模型中 P值均远小于0,05,可以认为模型是成立的 P值均远小于0,05,说明两个自变量对食管癌发病均有影响 两个自变量的OR点估计值都大于1,且95%可信区间均不包含1,说明吸烟和饮酒引起食管癌的危险性较大,吸烟的危险性是不吸烟的2.424倍,饮酒的危险性是不饮酒的1.692倍 预测概

样本量问题真的是好多人的老大难,是很多同学科研入门第一个拦路虎,今天给本科同学改大创标书又遇到这个问题,我想想不止是本科生对这个问题不会,很多同学从上研究生到最后脱离科研估计也没能把这个问题弄得很明白,那么希望大伙儿在看了这篇文章能够更加深入地理解样本量计算的逻辑,也能对大家的科研设计中的样本量设计部分有所启发. 样本量计算的逻辑 还记得我们最开始接触统计推断的时候,大家都知道一个词叫做原假设,原假设一般来讲都是"阴性的",我们统计推断要做的事情便是推翻原假设从而得出有"统计

目录 一.经验误差与过拟合 二.评估方法 模型评估方法 1. 留出法(hold-out) 2. 交叉验证法(cross validation) 3. 自助法(bootstrapping) 调参(parameter tuning)和最终模型 数据集(data set) 三.性能度量(performance measure) 1. 回归任务的性能度量 1.1 均方误差.均方根误差 1.2 平方绝对误差 1.3 确定系数\(R^2\) 2. 分类任务的性能度量 2.1 错误率.精度 2.2 查准率.查

总结起来就三句话: (1)当同一个数据集有n次(n>=2)假设检验时,要做多重假设检验校正 (2)对于Bonferroni校正,是将p-value的cutoff除以n做校正,这样差异基因筛选的p-value cutoff就更小了,从而使得结果更加严谨 (3)FDR校正是对每个p-value做校正,转换为q-value.q=p*n/rank,其中rank是指p-value从小到大排序后的次序. 举一个具体的实例: 我们测量了M个基因在A,B,C,D,E一共5个时间点的表达量,求其中的差异基因,具体

sklearn实战-乳腺癌细胞数据挖掘(博主亲自录视频) https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 医药统计项目联系:QQ231469242 # -*- coding: utf-8 -*- # Import standard packages impor

2.1 单组样本均值t检验(One-sample t-test) 2.1.1 方法简介 t检验,又称学生t(student t)检验,是由英国统计学家戈斯特(William Sealy Gosset, 1876-1937)所提出,student则是他的笔名.t检验是一种检验总体均值的统计方法,当数据中仅含单组样本且样本数较大时(通常样本个数≧30的样本可视为样本数较大),可用这种方法来检验总体均值是否大于.小于或等于某一特定数值.当数据中仅含单组样本但样本数较小时(通常样本个数<30的样本可视为