ตัวอย่างอิสระ t-test: จริง ๆ แล้วข้อมูลจำเป็นต้องแจกให้กับกลุ่มตัวอย่างขนาดใหญ่หรือไม่


13

สมมุติว่าฉันต้องการทดสอบว่าตัวอย่างอิสระสองตัวอย่างมีค่าเฉลี่ยต่างกันหรือไม่ ฉันรู้ว่าการกระจายพื้นฐานคือไม่ปกติ

ถ้าฉันเข้าใจถูกต้องสถิติทดสอบของฉันคือค่าเฉลี่ยและสำหรับขนาดตัวอย่างที่มีขนาดใหญ่พอค่าเฉลี่ยควรกระจายตามปกติแม้ว่าตัวอย่างจะไม่ได้ การทดสอบความสำคัญเชิงพารามิเตอร์ควรจะใช้ได้ในกรณีนี้ใช่ไหม ฉันได้อ่านข้อมูลที่ขัดแย้งและสับสนเกี่ยวกับเรื่องนี้ดังนั้นฉันขอขอบคุณการยืนยัน (หรือคำอธิบายว่าทำไมฉันถึงผิด)

นอกจากนี้ฉันได้อ่านแล้วว่าสำหรับกลุ่มตัวอย่างที่มีขนาดใหญ่ฉันควรใช้ค่าสถิติ z แทนค่าสถิติ แต่ในทางปฏิบัติการแจกแจงแบบ t จะมาบรรจบกับการแจกแจงแบบปกติและสถิติทั้งสองควรเหมือนกันไม่ใช่หรือ?

แก้ไข : ด้านล่างนี้เป็นแหล่งข้อมูลที่อธิบายการทดสอบ z พวกเขาทั้งสองระบุว่าประชากรจะต้องกระจายตามปกติ:

ที่นี่มันบอกว่า "โดยไม่คำนึงถึงประเภทของการทดสอบ Z- ใช้มันสันนิษฐานว่าประชากรจากตัวอย่างที่วาดเป็นเรื่องปกติ" และที่นี่ข้อกำหนดสำหรับการทดสอบ z ถูกแสดงรายการเป็น "การกระจายสองแบบปกติ แต่เป็นประชากรอิสระσเป็นที่รู้จัก"


สิ่งที่คุณพูดมีเหตุผล คุณกำลังใช้ทฤษฎีขีด จำกัด กลางในการอนุมานความปกติในการแจกแจงค่าเฉลี่ยตัวอย่าง นอกจากนี้คุณกำลังใช้การทดสอบ t เนื่องจากคุณไม่มีความแปรปรวนประชากรและคุณกำลังประเมินตามความแปรปรวนตัวอย่าง แต่คุณสามารถลิงค์หรือโพสต์แหล่งข้อมูลที่ขัดแย้งเหล่านี้ได้หรือไม่
Antoni Parellada

ขอบคุณสำหรับการตอบกลับของคุณ! ตัวอย่างเช่นที่นี่ข้อกำหนดสำหรับการทดสอบ z ถูกแสดงรายการเป็น "สองคนที่กระจายตามปกติ แต่เป็นประชากรอิสระσเป็นที่รู้จัก" ดังนั้นพวกเขากำลังพูดถึงการกระจายตัวของประชากรไม่ใช่ค่าเฉลี่ย - ผิดหรือเปล่า?
Lisa

@AntoniParellada ฉันรวมแหล่งข้อมูลบางอย่างในโพสต์ต้นฉบับ
Lisa

ตรวจสอบWikipedia
Antoni Parellada

หากประชากรดั้งเดิมรู้ว่าเป็นปกติแล้วเรามีสถานการณ์ที่สมบูรณ์แบบและไม่สามารถแก้แค้นได้ อย่างไรก็ตาม CLT มักจะอยู่ที่นั่นโดยเฉพาะอย่างยิ่งในกลุ่มตัวอย่างขนาดใหญ่เพื่อหลีกเลี่ยงการขึ้นอยู่กับเงื่อนไขที่ระบุไว้บนกระดาษที่เชื่อมโยงของคุณ
Antoni Parellada

คำตอบ:


7

ฉันคิดว่านี่เป็นความเข้าใจผิดทั่วไปของ CLT ไม่เพียง แต่ CLT ไม่มีส่วนเกี่ยวข้องกับข้อผิดพลาดในการสงวนประเภท II (ซึ่งไม่มีใครพูดถึงที่นี่) แต่มักจะไม่สามารถใช้งานได้เมื่อคุณต้องประมาณค่าความแปรปรวนประชากร ความแปรปรวนตัวอย่างอาจอยู่ไกลจากการแจกแจงแบบไคสแควร์เมื่อข้อมูลไม่ใช่แบบเกาส์เซียนดังนั้น CLT อาจไม่สามารถใช้งานได้แม้ว่าขนาดตัวอย่างจะเกินหมื่นไป สำหรับการแจกแจงจำนวนมาก SD ไม่ได้เป็นตัววัดการกระจายตัวที่ดี

ในการใช้ CLT จริง ๆ สิ่งหนึ่งในสองสิ่งต้องเป็นจริง: (1) ค่าเบี่ยงเบนมาตรฐานตัวอย่างทำงานเป็นการวัดการกระจายตัวสำหรับการแจกแจงที่ไม่รู้จักจริงหรือ (2) ค่าเบี่ยงเบนมาตรฐานจริงของประชากรเป็นที่รู้จัก นั่นเป็นกรณีที่เกิดขึ้นบ่อยมาก และตัวอย่างของ n = 20,000 ที่เล็กเกินไปสำหรับ CLT ถึง "งาน" มาจากการวาดตัวอย่างจากการแจกแจงล็อกนอร์มอลตามที่กล่าวไว้ที่อื่นในเว็บไซต์นี้

ค่าเบี่ยงเบนมาตรฐานตัวอย่าง "งาน" เป็นการวัดการกระจายหากตัวอย่างการแจกแจงแบบสมมาตรและไม่มีหางที่หนักกว่าการกระจายแบบเกาส์

ฉันไม่ต้องการพึ่งพา CLT สำหรับการวิเคราะห์ของฉัน


3
CLT อาจเป็นปลาเฮอริ่งแดงนิดหน่อย บ่อยครั้งที่มันสามารถเกิดขึ้นได้ว่าค่าเฉลี่ยตัวอย่างมีการแจกแจงแบบไม่ปกติอย่างไม่แน่นอนและตัวอย่าง SD มีค่าไม่แน่นอนในรูปทรง แต่อย่างไรก็ตามค่า t-statistic นั้นมีค่าใกล้เคียงกับการแจกแจงของนักเรียน t (ในส่วนหนึ่ง สถิติ). ไม่ว่าจะเป็นกรณีนี้ควรได้รับการประเมินในทุกสถานการณ์ อย่างไรก็ตามเนื่องจาก CLT อ้างเล็ก ๆ น้อย ๆ เกี่ยวกับการจำกัดตัวอย่าง (และบอกว่าไม่มีอะไรแน่นอนเชิงปริมาณเกี่ยวกับพวกเขา) การภาวนาของตนในการสนับสนุนของสมมติฐานกระจายมักจะไม่ถูกต้อง
whuber

มันจะยุติธรรมหรือไม่ที่จะบอกว่าเรากำลังพูดถึง (และการเรียนรู้ในกรณีของฉัน) ขั้นตอน (การเปรียบเทียบตัวอย่างสองวิธีจากการแจกแจงที่ไม่รู้จักกับการทดสอบแบบที) ที่ดำเนินการเป็นประจำ การให้เหตุผลอาจอ่อนแอได้? และมีการใช้ประโยชน์ของ CLT ในทางปฏิบัติใดบ้างที่จะยอมรับได้ / ยอมรับได้แม้ว่าจะไม่เหมาะ
Antoni Parellada

-statistic มากมักจะมีการจัดจำหน่ายที่อยู่ไกลมากจากที่การกระจายเมื่อข้อมูลที่มาจากการกระจายไม่ใช่เสียน และใช่ฉันจะบอกว่าเหตุผลในการใช้การทดสอบนั้นอ่อนแอกว่าที่ผู้ปฏิบัติงานส่วนใหญ่คิด นั่นเป็นเหตุผลที่ฉันชอบวิธีการแบบกึ่งและไม่อิงพารามิเตอร์ ttt
Frank Harrell

2
CLT เป็นคำบอกกล่าวที่แท้จริงและเมื่อคนส่วนใหญ่เรียกใช้มันฉันสงสัยว่าความคิดในหัวของพวกเขาเป็นอะไรบางอย่างที่เหมือนกับทฤษฎีบท Berry - Esseen (พวกเขาเชื่อว่าการบรรจบกับความเป็นบรรทัดฐานเกิดขึ้นในอัตรา คือ "ดีพอ") แต่เหตุผลที่ซับซ้อนกว่านี้เล็กน้อยอาจนำไปสู่ข้อสรุปที่ไม่ถูกต้องเกี่ยวกับความถูกต้องของการทดสอบ t ฉันสงสัยว่ามันคุ้มค่าที่จะกล่าวถึง / เน้นในคำตอบนี้ที่แม้แต่ Berry – Esseen ก็ไม่ได้ "บันทึก" การอุทธรณ์ที่ผิดพลาดของ CLT
Silverfish

3
@FrankHarrell คุณหมายความว่าอย่างไร "ส่วนเบี่ยงเบนมาตรฐานตัวอย่างทำงานเป็นตัวชี้วัดการกระจายตัวสำหรับการแจกแจงที่ไม่รู้จักจริง"? มันจะมีประโยชน์ถ้าคุณเพิ่มคำอธิบายสั้น ๆ (อาจเป็นเพียงหนึ่งประโยค) ในคำตอบของคุณ
mark999

9

ฉันออกจากย่อหน้านี้เพื่อแสดงความคิดเห็นเพื่อความเข้าใจ: อาจเป็นไปได้ว่าสมมติฐานของภาวะปกติในประชากรดั้งเดิมนั้นเข้มงวดเกินไปและสามารถลืมการเน้นไปที่การแจกแจงตัวอย่างและขอบคุณทฤษฎีบทขีด จำกัด กลางโดยเฉพาะอย่างยิ่งสำหรับกลุ่มตัวอย่างขนาดใหญ่

การใช้การทดสอบอาจเป็นความคิดที่ดีถ้า (โดยปกติเป็นกรณีนี้) คุณไม่ทราบความแปรปรวนประชากรและคุณจะใช้ความแปรปรวนตัวอย่างเป็นตัวประมาณ โปรดทราบว่าข้อสันนิษฐานของความแปรปรวนเหมือนกันอาจจะต้องมีการทดสอบกับการทดสอบ F ความแปรปรวนหรือการทดสอบก่อนที่จะใช้ Lavene แปรปรวน pooled - ฉันมีบันทึกบางบน GitHub ที่นี่t

ดังที่คุณพูดถึงการแจกแจงแบบ t จะรวมเข้ากับการแจกแจงแบบปกติเมื่อตัวอย่างเพิ่มขึ้นเนื่องจากพล็อตต์ R แบบด่วนนี้แสดง:

ป้อนคำอธิบายรูปภาพที่นี่

ในสีแดงคือ pdf ของการแจกแจงแบบปกติและเป็นสีม่วงคุณสามารถเห็นการเปลี่ยนแปลงที่ก้าวหน้าใน "fat tails" (หรือหางที่หนักกว่า) ของ pdf ของการกระจายตัวเมื่อองศาเพิ่มขึ้นจนกว่ามันจะผสมกับ พล็อตปกติt

ดังนั้นการใช้ z-test น่าจะใช้ได้กับกลุ่มตัวอย่างขนาดใหญ่


การจัดการปัญหาด้วยคำตอบเริ่มต้นของฉัน ขอบคุณ Glen_b สำหรับความช่วยเหลือของคุณกับ OP (ความผิดพลาดที่น่าจะเกิดขึ้นในการตีความใหม่เป็นของฉันทั้งหมด)

  1. T สถิติต่อไปนี้ที่จัดจำหน่ายภายใต้การสันนิษฐานผิดปกติ:

ทิ้งความซับซ้อนในสูตรสำหรับตัวอย่างหนึ่งโวลต์สองตัวอย่าง (จับคู่และไม่จับคู่) สถิติทั่วไป t ที่เน้นไปที่กรณีของการเปรียบเทียบค่าเฉลี่ยตัวอย่างกับค่าเฉลี่ยประชากรคือ:

(1)t-test=X¯μsn=X¯μσ/ns2σ2=X¯μσ/nx=1n(XX¯)2n1σ2

ถ้าตามหลังการแจกแจงปกติที่มีค่าเฉลี่ยและความแปรปรวน :Xμσ2

  1. เศษของ(1,0)(1) N(1,0)
  2. ตัวหารของจะเป็นสแควร์รูทของ (ปรับขนาดไคสแควร์) ตั้งแต่เป็นมาที่นี่(1)s2/σ2n11n1χn12(n1)s2/σ2χn12
  3. ตัวเศษและส่วนควรเป็นอิสระ

ภายใต้เงื่อนไขเหล่านี้n-1)t-statistict(df=n1)

  1. ทฤษฎีการ จำกัด ภาคกลาง:

แนวโน้มที่มีต่อความเป็นมาตรฐานของการกระจายตัวตัวอย่างของกลุ่มตัวอย่างหมายถึงเมื่อขนาดตัวอย่างเพิ่มขึ้นสามารถพิสูจน์ได้ว่าสมมุติว่ามีการแจกแจงแบบปกติของตัวเศษแม้ว่าจำนวนประชากรจะไม่ปกติ อย่างไรก็ตามมันไม่ได้มีอิทธิพลต่ออีกสองเงื่อนไข (การกระจายไคสแควร์ของตัวส่วนและความเป็นอิสระของตัวเศษจากตัวส่วน)

แต่ไม่ใช่ทั้งหมดจะหายไปในโพสต์นี้มีการกล่าวถึงว่าทฤษฎีบท Slutzky สนับสนุนการลู่แบบซีมโทติกไปสู่การแจกแจงแบบปกติแม้ว่าการแจกแจงไคของตัวส่วนจะไม่เป็นไปตามนั้น

  1. ความทนทาน:

บนกระดาษ "ดูสมจริงยิ่งขึ้นถึงความทนทานและคุณสมบัติข้อผิดพลาดประเภทที่ 2 ของการทดสอบเพื่อออกจากสภาพปกติของประชากร" โดย Sawilowsky SS และ Blair RC ในวารสารจิตวิทยา, 1992, Vol. 111, หมายเลข 2, 352-360ซึ่งพวกเขาทดสอบการกระจายตัวแบบอุดมคติน้อยกว่าหรือมากกว่า "โลกปกติ" (น้อยกว่าปกติ) สำหรับพลังงานและสำหรับความผิดพลาดประเภทที่ 1 ข้อยืนยันดังต่อไปนี้สามารถพบได้: "แม้จะมีลักษณะอนุรักษ์นิยม ฉันผิดพลาดจากการทดสอบ t สำหรับการแจกแจงจริงเหล่านี้บางอย่างมีผลเพียงเล็กน้อยต่อระดับพลังงานสำหรับความหลากหลายของเงื่อนไขการรักษาและขนาดตัวอย่างที่ศึกษานักวิจัยอาจชดเชยการสูญเสียพลังงานเล็กน้อยได้อย่างง่ายดายโดยเลือกขนาดตัวอย่างใหญ่ขึ้นเล็กน้อย " .

" มุมมองที่เด่นชัดดูเหมือนว่าการทดสอบตัวอย่างอิสระมีความแข็งแกร่งพอตราบเท่าที่ข้อผิดพลาด Type I เกี่ยวข้องกับรูปร่างของประชากรที่ไม่ใช่แบบเกาส์ตราบใดที่ (a) ขนาดตัวอย่างมีค่าเท่ากันหรือเกือบ (b) ขนาดมีขนาดค่อนข้างใหญ่ (Boneau, 1960, กล่าวถึงขนาดตัวอย่างของ 25 ถึง 30) และ (c) การทดสอบเป็นแบบสองด้านแทนที่จะเป็นแบบหนึ่งด้านโปรดทราบว่าเมื่อเงื่อนไขเหล่านี้ตรงกับความแตกต่างระหว่าง alpha และ alpha จริง เกิดขึ้นความคลาดเคลื่อนมักจะเป็นแบบอนุรักษ์นิยมมากกว่าแบบเสรีนิยม "

ผู้เขียนเน้นย้ำถึงประเด็นที่ถกเถียงกันของหัวข้อและฉันหวังว่าจะได้ทำแบบจำลองบางอย่างบนพื้นฐานของการแจกแจงล็อกนอร์มอลตามที่ศาสตราจารย์ฮาร์เรลล์กล่าวถึง ฉันอยากจะลองเปรียบเทียบกับ Monte Carlo ด้วยวิธีที่ไม่ใช้พารามิเตอร์ (เช่นการทดสอบ Mann-Whitney U) กำลังดำเนินการ ...


SIMULATIONS:

ข้อจำกัดความรับผิดชอบ:สิ่งต่อไปนี้คือหนึ่งในแบบฝึกหัดเหล่านี้ใน "การพิสูจน์ด้วยตัวเอง" ไม่ทางใดก็ทางหนึ่ง ผลลัพธ์ไม่สามารถใช้ในการสร้างภาพรวม (อย่างน้อยไม่ใช่ฉัน) แต่ฉันเดาว่าฉันสามารถพูดได้ว่าการจำลอง MC ทั้งสอง (อาจมีข้อบกพร่อง) MC ดูเหมือนจะไม่ท้อใจเกินไปสำหรับการใช้การทดสอบ t ในสถานการณ์ อธิบาย

ข้อผิดพลาดประเภทที่ฉัน:

ในปัญหาของข้อผิดพลาดประเภทที่ 1 ฉันใช้การจำลอง Monte Carlo โดยใช้การแจกแจงแบบ Lognormal การแยกสิ่งที่จะถือว่าเป็นตัวอย่างที่มีขนาดใหญ่กว่า ( ) หลายครั้งจากการแจกแจงล็อกนอร์มัลด้วยพารามิเตอร์และฉันคำนวณค่า t-values ​​และค่า p ที่จะส่งผลถ้าเราเปรียบเทียบค่าเฉลี่ย ของตัวอย่างเหล่านี้ทั้งหมดเกิดจากประชากรเดียวกันและมีขนาดเท่ากันทั้งหมด lognormal ได้รับเลือกตามความคิดเห็นและความเบ้ของการแจกแจงทางด้านขวา:n=50μ=0σ=1

ป้อนคำอธิบายรูปภาพที่นี่

การตั้งค่าระดับความสำคัญของอัตราความผิดพลาดที่แท้จริงของฉันจะเป็นไม่เลวเกินไป ...5%4.5%

ในความเป็นจริงพล็อตของความหนาแน่นของการทดสอบทีได้รับดูเหมือนจะทับซ้อนกับไฟล์ PDF จริงของการแจกแจงแบบที:

ป้อนคำอธิบายรูปภาพที่นี่

ส่วนที่น่าสนใจที่สุดคือดูที่ "ส่วน" ของการทดสอบ t ส่วนที่ควรจะเป็นไปตามการแจกแจงแบบไคสแควร์:

(n1)s2/σ2=98(49(SDA2+SDA2))/98(eσ21)e2μ+σ2
2}}

ที่นี่เราใช้ส่วนเบี่ยงเบนมาตรฐานทั่วไปเช่นเดียวกับในรายการ Wikipedia :

SX1X2=(n11)SX12+(n21)SX22n1+n22

และน่าประหลาดใจ (หรือไม่) พล็อตนั้นต่างจากไฟล์ PDF แบบไคสแควร์ที่ซ้อนทับ:

ป้อนคำอธิบายรูปภาพที่นี่

ข้อผิดพลาด Type II และพลังงาน:

การกระจายของความดันโลหิตเป็นไปได้ที่จะเข้าสู่ระบบปกติซึ่งมีประโยชน์อย่างมากในการตั้งค่าสถานการณ์สังเคราะห์ซึ่งกลุ่มเปรียบเทียบจะแยกกันในค่าเฉลี่ยโดยระยะทางที่เกี่ยวข้องทางคลินิกกล่าวในการศึกษาทางคลินิกทดสอบผลของความดันโลหิต ยาเสพติดที่มุ่งเน้นไปที่ diastolic BP ผลกระทบอย่างมีนัยสำคัญอาจพิจารณาลดลงเฉลี่ย mmHg (เลือก SD ประมาณ mmHg):9109

ป้อนคำอธิบายรูปภาพที่นี่ ทำการเปรียบเทียบการทดสอบ t บนการจำลอง Monte Carlo ที่คล้ายคลึงกันสำหรับข้อผิดพลาดประเภท I ระหว่างกลุ่มที่สมมติขึ้นเหล่านี้และมีระดับนัยสำคัญเราจบลงด้วยข้อผิดพลาด type II และกำลังเพียง .0.024 % 99 %5%0.024%99%

รหัสที่นี่


1
ฉันคิดว่านี่เป็นความเข้าใจผิดทั่วไปของ CLT ไม่เพียง แต่ CLT ไม่มีส่วนเกี่ยวข้องกับข้อผิดพลาดในการสงวนประเภท II (ซึ่งไม่มีใครพูดถึงที่นี่) แต่มักจะไม่สามารถใช้งานได้เมื่อคุณต้องประมาณค่าความแปรปรวนประชากร ความแปรปรวนตัวอย่างอาจอยู่ไกลจากการแจกแจงแบบไคสแควร์เมื่อข้อมูลไม่ใช่แบบเกาส์เซียนดังนั้น CLT อาจไม่สามารถใช้งานได้แม้ว่าขนาดตัวอย่างจะเกินหมื่นไป สำหรับการแจกแจงจำนวนมาก SD ไม่ได้เป็นตัวชี้วัดการกระจายตัวที่ดี
Frank Harrell

1
ศาสตราจารย์ฮาร์เรลล์ฉันยินดีที่จะโพสต์ถ้ามันไม่ถูกต้อง นี่อาจเป็นความเข้าใจผิดขั้นพื้นฐานที่ดีมาก ฉันแนะนำว่านั่นคือ CLT ที่ใช้กับการกระจายตัวของตัวอย่างหมายความว่าตรวจสอบในตัวอย่างขนาดใหญ่การเปรียบเทียบค่าเฉลี่ยด้วยการทดสอบ z หรือทดสอบ t- โดยไม่คำนึงถึงการแจกแจงกำเนิดของตัวอย่าง สิ่งนี้ไม่ถูกต้อง?
Antoni Parellada

1
นั่นจะถูกต้องถ้า (1) ค่าเบี่ยงเบนมาตรฐานตัวอย่างเป็นตัววัดการกระจายตัวสำหรับการแจกแจงที่ไม่รู้จักจริงหรือ (2) ค่าเบี่ยงเบนมาตรฐานจริงของประชากรเป็นที่รู้จัก นั่นเป็นกรณีที่เกิดขึ้นบ่อยมาก และตัวอย่างของ n = 20,000 เป็นไกลขนาดเล็กเกินไปสำหรับ CLT เพื่อ "งาน" มาจากตัวอย่างการวาดภาพจากการกระจาย lognormal ความเข้าใจผิดเกี่ยวกับประเด็นเหล่านี้อาละวาดในหมู่ปริญญาเอกในสถิติที่มีประสบการณ์ 20 ปี
Frank Harrell

5
ลิซ่าเป็นปัญหาหรือไม่ว่าคุณต้องการเปรียบเทียบวิธีการหรือคุณแค่ต้องการเปรียบเทียบตำแหน่งของประชากรสองคน ในบางแอปพลิเคชันที่สนใจจะมุ่งเน้นไปที่ค่าเฉลี่ยหรือผลรวมดังนั้นการแทนที่ด้วยพารามิเตอร์อื่นจะเป็นการใช้เพียงเล็กน้อย โดยเฉพาะอย่างยิ่งกรณีที่ประชากรมีปริมาณสะสมตามธรรมชาติเช่นเงินหรือการปนเปื้อนสิ่งแวดล้อม
whuber

3
อันโตนี่ส่วนสุดท้ายของคุณเกี่ยวกับความทนทานค่อนข้างเหมาะสม ฉันได้ทำการศึกษาหลายอย่างคล้ายกับที่บรรยายโดย Sawilosky และ Blair และได้อ่านอีกมากมายดังนั้นจึงสงสัยว่าข้อสรุปของพวกเขาจะต้อง จำกัด เฉพาะข้อมูลชนิดพิเศษมาก การทดสอบ t ล้มเหลวอย่างน่าสังเวชโดยเฉพาะอย่างยิ่งในแง่ของอำนาจเมื่อมีการแจกแจงเบ้สูง สิ่งที่ทำให้ฉันประหลาดใจในช่วงหลายปีที่ผ่านมาก็คือมันค่อนข้างแข็งแกร่งพอที่จะออกเดินทางอื่น ๆ จากภาวะปกติจนถึงจุดที่ฉันเห็นความถูกต้องบางอย่างในการเรียกร้องว่ามันเป็นกระบวนการที่ไม่ใช่พารามิเตอร์
whuber
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.