ความสำคัญของความแตกต่างระหว่างการนับสองครั้ง


15

มีวิธีการตรวจสอบหรือไม่ว่าความแตกต่างระหว่างการนับอุบัติเหตุทางถนน ณ เวลา 1 นั้นแตกต่างจากการนับครั้งที่ 2 หรือไม่?

ฉันได้พบวิธีการที่แตกต่างกันในการกำหนดความแตกต่างระหว่างกลุ่มการสังเกตในเวลาที่ต่างกัน (เช่นการเปรียบเทียบปัวซองหมายถึง) แต่ไม่ใช่สำหรับการเปรียบเทียบการนับเพียงสองครั้ง หรือจะลองใช้ไม่ได้? คำแนะนำหรือทิศทางใด ๆ ที่จะได้รับการชื่นชม ฉันมีความสุขที่จะนำไปสู่การติดตามตัวเอง

คำตอบ:


11

หากคุณยินดีที่จะถือว่าการนับแต่ละครั้งเป็นไปตามการแจกแจงปัวซอง (ด้วยค่าเฉลี่ยของตัวเองภายใต้สมมติฐานทางเลือก; ด้วยค่าเฉลี่ยทั่วไปภายใต้ค่าว่าง) ไม่มีปัญหา - เป็นเพียงแค่คุณไม่สามารถตรวจสอบสมมติฐานนั้นได้ Overdispersion สามารถพบได้บ่อยกับข้อมูลนับ

การทดสอบที่แน่นอนที่ให้นับ & x 2นั้นตรงไปตรงมาเนื่องจากจำนวนรวมทั้งหมดของการนับn = x 1 + x 2เป็นอุปกรณ์เสริม การปรับสภาพจะให้X 1B i n ( 1)x1x2n=x1+x2เป็นการกระจายของสถิติการทดสอบของคุณภายใต้ null เป็นผลลัพธ์ที่เข้าใจได้ง่าย: จำนวนโดยรวมซึ่งสะท้อนให้เห็นว่าคุณใช้เวลานานแค่ไหนในการสังเกตการณ์กระบวนการปัวซงสองกระบวนการไม่มีข้อมูลเกี่ยวกับอัตราสัมพัทธ์ของพวกมัน แต่ส่งผลต่อพลังในการทดสอบของคุณ ดังนั้นจำนวนรวมอื่น ๆ ที่คุณอาจไม่เกี่ยวข้องX1Bin(12,n)

ดูการทดสอบสมมติฐานตามความน่าจะเป็นสำหรับการทดสอบ Wald (การประมาณ)

count แต่ละจำนวนมีการแจกแจงปัวซงโดยมีค่าเฉลี่ยλ ฉัน f X ( x i ) = λ x ฉันฉัน e - λ ฉันxiλi Reparametrize เป็น θ

fX(xi)=λixieλixi!i=1,2
โดยที่θคือสิ่งที่คุณสนใจ &ϕเป็นพารามิเตอร์ที่สร้างความรำคาญ ฟังก์ชั่นมวลข้อต่อสามารถเขียนใหม่ได้: f X 1 , X 2
θ=λ1λ1+λ2ϕ=λ1+λ2
θϕ จำนวนนับทั้งหมดnเป็นส่วนเสริมสำหรับθมีการแจกแจงปัวซงด้วยค่าเฉลี่ยϕfN(n)
fX1,X2(x1,x2)=λ1x1λ2x2e(λ1+λ2)x1!x2!fX1,N(x1,n)=θx1(1θ)nx1ϕneϕx1!(nx1)!
nθϕ
fN(n)=x1=0fX1,N(x1,n)=ϕneϕn!x1=0n!x1!(nx1)!θx1(1θ)nx1=ϕneϕn!
while the conditional distribution of X1 given n is binomial with Bernoulli probability θ & no. trials n
fX1|n(x1;n)=fX1,N(x1,n)fN(n)=θx1(1θ)nx1ϕneϕx1!(nx1)!n!ϕneϕ=n!x1!(nx1)!θx1(1θ)nx1

The total number of counts is a complete sufficient statistic, isn't it? How can it be ancillary? Have I misunderstood something?
JohnK

@JohnK: The sufficient statistic is (X1,N), N being the ancillary complement to X1. Note the distribution of N doesn't depend on θ.
Scortchi - Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.