คำถามติดแท็ก confidence-interval

ช่วงความมั่นใจคือช่วงเวลาที่ครอบคลุมพารามิเตอร์ที่ไม่รู้จักด้วยความมั่นใจ ช่วงความเชื่อมั่นเป็นแนวคิดที่ใช้บ่อย พวกเขามักจะสับสนกับช่วงเวลาที่น่าเชื่อถือซึ่งเป็นแบบอะนาล็อกเบย์ (1α)%

2
การอ้างอิงสำหรับการทดสอบทางสถิติสำหรับความแตกต่างระหว่างสองอัตราเดิมพัน?
ในความคิดเห็นที่นี่ @gung เขียน ฉันเชื่อว่าพวกเขาสามารถทับซ้อนกันเล็กน้อย (อาจ ~ 25%) และยังคงมีนัยสำคัญในระดับ 5% โปรดจำไว้ว่า 95% CI ที่คุณเห็นนั้นสำหรับแต่ละคนหรือ แต่การทดสอบ 2 ORs นั้นเกี่ยวกับความแตกต่างระหว่างพวกเขา อย่างไรก็ตามหากพวกเขาไม่ทับซ้อนกันเลยพวกเขาแตกต่างกันอย่างมีนัยสำคัญอย่างแน่นอน & ถ้า 95% CI ทับซ้อนกับค่าคาดคะเน OR อื่น ๆ พวกเขาจะไม่แน่นอน ไม่มีใครมีการอ้างอิงสำหรับคำสั่งดังกล่าวหรือไม่ ผู้ตรวจทานต้องการให้ฉันคำนวณว่าสองอัตราต่อรองแตกต่างกันหรือไม่

6
อะไรเป็นตัวอย่างที่ดีในการแสดงให้กับนักศึกษาระดับปริญญาตรี
ฉันจะสอนสถิติในฐานะผู้ช่วยสอนในครึ่งหลังของภาคการศึกษานี้ให้กับนักศึกษาระดับปริญญาตรี CS นักเรียนส่วนใหญ่เข้าชั้นเรียนไม่มีแรงจูงใจที่จะเรียนวิชานี้และรับเฉพาะวิชาที่จำเป็นเท่านั้น ฉันต้องการทำให้เรื่องน่าสนใจและมีประโยชน์ไม่ใช่แค่ชั้นเรียนที่พวกเขาเรียนรู้เพื่อรับ B + เพื่อผ่าน ในฐานะนักเรียนปริญญาเอกคณิตศาสตร์ที่บริสุทธิ์ฉันรู้เพียงเล็กน้อยเกี่ยวกับการประยุกต์ใช้ในชีวิตจริง ฉันต้องการขอใบสมัครเกี่ยวกับสถิติระดับปริญญาตรีในชีวิตจริง ตัวอย่างฉันกำลังมองหาเป็นคน (ในจิตวิญญาณ) เช่น: 1) การแสดงทฤษฎีขีด จำกัด กลางมีประโยชน์สำหรับข้อมูลตัวอย่างขนาดใหญ่บางอย่าง 2) จัดทำตัวอย่างโต้ตอบที่ทฤษฎีบทขีด จำกัด กลางใช้ไม่ได้ (กล่าวถึงทฤษฎีที่ตามหลังการแจกแจงโคชี) 3) แสดงให้เห็นว่าการทดสอบสมมติฐานทำงานอย่างไรในตัวอย่างชีวิตจริงที่มีชื่อเสียงโดยใช้ Z-test, t-test หรือบางอย่าง 4) แสดงให้เห็นว่าสมมติฐานเบื้องต้นที่เกินความจริงหรือผิดสามารถให้ผลลัพธ์ที่ผิดได้อย่างไร 5) แสดงให้เห็นว่า p-value และช่วงเวลาความเชื่อมั่นทำงานอย่างไรในกรณีที่รู้จักกันดีในชีวิตจริง 6) ทำนองเดียวกันประเภท I, ข้อผิดพลาดประเภท II, กำลังสถิติ, ระดับการปฏิเสธ , ฯลฯαα\alpha ปัญหาของฉันคือว่าในขณะที่ฉันมีตัวอย่างมากมายเกี่ยวกับความน่าจะเป็น (ทอยเหรียญ, ทอยลูกเต๋า, ทำลายนักการพนัน, martingales, สุ่มเดิน, เส้นขนานของนักโทษสามคน, ปัญหามอนตี้ฮอลล์, วิธีน่าจะเป็นในการออกแบบอัลกอริทึม …

1
การประมาณแบบเบย์ที่มี "แบนก่อน" เหมือนกับการประเมินความเป็นไปได้สูงสุดหรือไม่?
ในสายวิวัฒนาการต้นไม้ phylogenetic มักถูกสร้างขึ้นโดยใช้ MLE หรือการวิเคราะห์แบบเบย์ อาจเกิดการแบนก่อนใช้ในการประเมินแบบเบย์ ตามที่ฉันเข้าใจแล้วการประมาณการแบบเบย์เป็นการประมาณการความเป็นไปได้ที่จะรวมเอาการประเมินก่อนหน้านี้ คำถามของฉันคือถ้าคุณใช้ความคิดก่อนหน้านี้มันแตกต่างจากการวิเคราะห์ความน่าจะเป็นหรือไม่?

1
การใช้ bootstrap เพื่อรับการกระจายตัวตัวอย่างของค่าร้อยละที่ 1
ฉันมีกลุ่มตัวอย่าง (ขนาด 250) จากประชากร ฉันไม่ทราบว่าการกระจายตัวของประชากร คำถามหลัก:ฉันต้องการประมาณจุดของ 1 เซนต์ - เปอร์เซ็นไทล์ของประชากรแล้วฉันต้องการช่วงความมั่นใจ 95% รอบการประเมินจุดของฉัน ประมาณการจุดของฉันจะเป็นตัวอย่าง 1 เซนต์ -percentile ผมหมายถึงมันxxxx หลังจากนั้นฉันพยายามสร้างช่วงความมั่นใจรอบค่าประมาณจุด ฉันสงสัยว่ามันสมเหตุสมผลหรือไม่ที่จะใช้ bootstrap ที่นี่ ฉันไม่มีประสบการณ์มากกับ bootstrap ดังนั้นขออภัยถ้าฉันไม่สามารถใช้คำศัพท์ที่เหมาะสมเป็นต้น นี่คือวิธีที่ฉันพยายามทำ ฉันดึงตัวอย่างสุ่ม 1,000 ตัวอย่างโดยแทนที่จากตัวอย่างดั้งเดิมของฉัน ฉันได้รับอันดับ 1 จากแต่ละคน ดังนั้นฉันมี 1,000 คะแนน - "1 เซนต์ - เปอร์เซ็นไทล์" ฉันดูการกระจายเชิงประจักษ์ของ 1,000 คะแนน ผมหมายถึงความหมายของมัน{} ผมหมายถึงว่า "อคติ" ดังต่อไปนี้: \ฉันใช้เวลา 2.5 วัน -percentile …

2
ช่วงความมั่นใจแคบ ๆ เกี่ยวกับผลกระทบที่ไม่สำคัญสามารถแสดงหลักฐานว่าเป็นโมฆะ
เห็นได้ชัดว่าผิดพลาดที่จะคิดว่าความล้มเหลวในการปฏิเสธโมฆะก็หมายความว่าเป็นโมฆะ แต่ในกรณีที่เป็นโมฆะไม่ได้ปฏิเสธและช่วงความเชื่อมั่นที่สอดคล้องกัน (CI) เป็นที่แคบและแน่นิ่ง 0 นี้ไม่ได้ให้หลักฐานสำหรับโมฆะ? ฉันเป็นคนหนึ่งในใจสองคน: ใช่ในทางปฏิบัติสิ่งนี้จะแสดงหลักฐานว่าผลกระทบมีมากหรือน้อยกว่า 0 อย่างไรก็ตามในกรอบการทดสอบสมมุติฐานที่เข้มงวด ดังนั้นความหมายของ CI คืออะไรเมื่อการประเมินจุดของมันไม่สำคัญ? มันยังใช้ไม่ได้สำหรับการอนุมานหรือสามารถนำมาใช้ในตัวอย่างก่อนหน้านี้เพื่อหาปริมาณหลักฐานสำหรับโมฆะ? สนับสนุนคำตอบที่มีการอ้างอิงเชิงวิชาการ

1
ฉันควรรายงานช่วงเวลาที่น่าเชื่อถือแทนที่จะเป็นช่วงความมั่นใจหรือไม่
หลังจากสะดุดแนวคิดในหนังสือเรียนสถิติฉันพยายามปิดท้ายเกี่ยวกับมันและในที่สุดก็มาถึงบทสรุปที่ดูเหมือนจะพอดีกับคำอธิบายทั้งหมดที่ฉันได้เห็นจนถึงตอนนี้: ช่วงเวลาที่น่าเชื่อถือคือสิ่งที่นักสถิติไม่คิดว่าความมั่นใจ ช่วงเวลาคือ พูดนอกเรื่องสำหรับผู้ที่ชอบฉันจากชั่วโมงที่ผ่านมาที่ไม่ทราบความแตกต่าง หากเราสังเกตข้อมูลและทำนายพารามิเตอร์จากนั้นสมมุติว่าค่าเฉลี่ย μμ\muช่วงเวลาที่น่าเชื่อถือคือช่วงเวลา [μmin, μmax][μmin, μmax][\mu_{\text{min}},\ \mu_{\text{max}}]ซึ่งเรามั่นใจ 95% ว่า mu อยู่ภายใน (หรืออีกจำนวนหนึ่งที่ไม่ใช่ 95% ถ้าเราใช้ระดับอื่น) ช่วงความเชื่อมั่นการสอนในชั้นเรียนสถิติเบื้องต้นสามารถทับซ้อนกับช่วงเวลาที่น่าเชื่อถือ แต่จะไม่เสมอทับซ้อนกัน หากคุณต้องการคำอธิบายที่กล้าลองอ่านนี้และคำถามนี้เกี่ยวกับการตรวจสอบข้าม สิ่งที่ช่วยให้ฉันเข้าใจในที่สุดหลังจากคำตอบที่หัวมากคือคำตอบนี้ หมายความว่าจะเป็นการดีกว่าหรือไม่ในทางวิทยาศาสตร์ที่จะใช้ช่วงเวลาที่น่าเชื่อถือผ่านช่วงความเชื่อมั่นในผลลัพธ์ของฉัน ถ้าใช่ทำไมฉันถึงไม่เห็นสิ่งพิมพ์ใด ๆ ที่ใช้มัน? เป็นเพราะแนวคิดควรใช้ แต่นักวิทยาศาสตร์การวัดยังไม่ทันกับวิธีการทางสถิติที่ถูกต้อง? หรือความหมายของช่วงความมั่นใจเริ่มต้นเหมาะสมกว่าที่จะอธิบายผลลัพธ์จากการศึกษาเชิงประจักษ์หรือไม่? หรือว่าในทางปฏิบัติแล้วพวกเขามักจะทับซ้อนกันซึ่งมันไม่สำคัญเลย? ตัวเลือกขึ้นอยู่กับการแจกแจงเชิงสถิติที่เราสมมติให้กับข้อมูลของเราหรือไม่? อาจมีการแจกแจงแบบเกาส์พวกมันซ้อนทับกันเสมอตัวเลขดังนั้นไม่มีใครอยู่นอกสถิติบริสุทธิ์ที่ใส่ใจเกี่ยวกับความแตกต่าง (การศึกษาจำนวนมากที่ฉันได้อ่านไม่ได้ใส่ใจที่จะคำนวณช่วงเวลาใด ๆและอาจประมาณ 1% ข้อมูลของพวกเขาอาจไม่ได้รับการกระจายตามปกติ มันขึ้นอยู่กับสถานะทางวิทยาศาสตร์ทฤษฎีของเราหรือไม่? ตัวอย่างเช่นรู้สึกว่าควรใช้ช่วงความมั่นใจในการทำงานในเชิงบวกและช่วงเวลาที่น่าเชื่อถือในงานการตีความ แต่ฉันไม่แน่ใจว่าความรู้สึกนี้ถูกต้อง

1
สามารถใช้ bootstrap resampling ใหม่เพื่อคำนวณช่วงความมั่นใจสำหรับความแปรปรวนของชุดข้อมูลได้หรือไม่?
ฉันรู้ว่าถ้าคุณสุ่มตัวอย่างจากชุดข้อมูลซ้ำหลาย ๆ ครั้งและคำนวณค่าเฉลี่ยในแต่ละครั้งค่าเฉลี่ยเหล่านี้จะเป็นไปตามการแจกแจงแบบปกติ (โดย CLT) ดังนั้นคุณสามารถคำนวณช่วงความมั่นใจในค่าเฉลี่ยของชุดข้อมูลได้โดยไม่ต้องทำการตั้งสมมติฐานใด ๆ เกี่ยวกับการแจกแจงความน่าจะเป็นของชุดข้อมูล ฉันสงสัยว่าถ้าคุณสามารถทำสิ่งที่คล้ายกันกับความแปรปรวน นั่นคือถ้าฉันต้องสุ่มตัวอย่างใหม่จากชุดข้อมูลหลาย ๆ ครั้งและคำนวณความแปรปรวนในแต่ละครั้งความแปรปรวนเหล่านี้จะเป็นไปตามการแจกแจงที่แน่นอน (ไม่ว่าการแจกแจงความน่าจะเป็นดั้งเดิมของชุดข้อมูลนั้นคืออะไร) ฉันรู้ว่าถ้าชุดข้อมูลดั้งเดิมนั้นเป็นเรื่องปกติความแปรปรวนจะเป็นไปตามการแจกแจงแบบไคสแควร์ แต่ในกรณีที่มันไม่ปกติ

2
การคำนวณช่วงเวลาการทำนาย
ผมได้ข้อมูลต่อไปนี้ตั้งอยู่ที่นี่ ฉันพยายามคำนวณช่วงความมั่นใจ 95% ของความบริสุทธิ์เฉลี่ยเมื่อเปอร์เซ็นต์ไฮโดรคาร์บอนเท่ากับ 1.0 ใน R ฉันป้อนสิ่งต่อไปนี้ > predict(purity.lm, newdata=list(hydro=1.0), interval="confidence", level=.95) fit lwr upr 1 89.66431 87.51017 91.81845 อย่างไรก็ตามฉันจะได้ผลลัพธ์นี้ด้วยตนเองได้อย่างไร ฉันพยายามใช้สมการต่อไปนี้ sn E W=s2( 1 +1ยังไม่มีข้อความ+(xn E W-x¯)2∑ (xผม-x¯)2)----------------------√snอีW=s2(1+1ยังไม่มีข้อความ+(xnอีW-x¯)2Σ(xผม-x¯)2)s_{new}=\sqrt{s^2\left(1+\frac{1}{N}+\frac{(x_{new}-\bar x)^2}{\sum(x_i-\bar x)^2}\right)} และฉันป้อนสิ่งต่อไปนี้ในอาร์ > SSE_line = sum((purity - (77.863 + 11.801*hydro))^2) > MSE = SSE_line/18 > t.quantiles <- qt(c(.025, .975), …

3
ช่วงความเชื่อมั่นกับขนาดตัวอย่าง?
ฉันยังใหม่กับสถิติและช่วงเวลาของความมั่นใจ ดังนั้นนี่อาจเป็นเรื่องเล็กน้อยหรือแม้แต่เสียงโง่ ฉันจะขอบคุณถ้าคุณสามารถช่วยฉันเข้าใจหรือชี้แนะฉันไปที่วรรณกรรม / ข้อความ / บล็อกที่อธิบายสิ่งนี้ดีกว่า ฉันเห็นในเว็บไซต์ข่าวต่าง ๆ เช่น CNN, Fox News, Politico ฯลฯ เกี่ยวกับการสำรวจของพวกเขาเกี่ยวกับการแข่งขันชิงตำแหน่งประธานาธิบดีสหรัฐอเมริกา 2012 แต่ละหน่วยงานดำเนินการสำรวจและรายงานสถิติบางส่วนของแบบฟอร์ม: ซีเอ็นเอ็น: ความนิยมของโอบามาคือ X% โดยมี margin ของ error +/- x1% ขนาดตัวอย่าง 600 FOX: ความนิยมของโอบามาคือ Y% โดยมีระยะขอบของข้อผิดพลาด +/- y1% ขนาดตัวอย่าง 800 XYZ: ความนิยมของโอบามาคือ Z% โดยมีระยะห่างของข้อผิดพลาด +/- z1% ขนาดตัวอย่าง 300 นี่คือข้อสงสัยของฉัน: ฉันจะตัดสินใจเลือกที่จะเชื่อถือได้อย่างไร มันควรจะขึ้นอยู่กับช่วงความมั่นใจหรือฉันควรสมมติว่าเนื่องจาก Fox มีขนาดตัวอย่างที่ใหญ่กว่าการประมาณการจึงน่าเชื่อถือมากขึ้น …

1
จะเปรียบเทียบเหตุการณ์ที่สังเกตได้กับเหตุการณ์ที่คาดหวังได้อย่างไร
สมมติว่าฉันมีตัวอย่างหนึ่งความถี่ของเหตุการณ์ที่เป็นไปได้ 4 เหตุการณ์: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 และฉันมีโอกาสที่จะเกิดเหตุการณ์ที่คาดหวัง: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 ด้วยผลรวมของความถี่ที่สังเกตได้จากเหตุการณ์ทั้งสี่ของฉัน (18) ฉันสามารถคำนวณความถี่ที่คาดหวังของเหตุการณ์ได้ใช่ไหม expectedE1 - 18 * 0.2 = 3.6 expectedE2 - 18 * 0.1 = 1.8 expectedE1 - 18 * 0.1 …
9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

1
ปัญหาเกี่ยวกับการศึกษาแบบจำลองของคำอธิบายการทดลองซ้ำในช่วงความมั่นใจ 95% - ฉันจะไปไหนผิด
ฉันกำลังพยายามเขียนสคริปต์ R เพื่อจำลองการตีความการทดลองซ้ำในช่วงความมั่นใจ 95% ฉันพบว่ามันประเมินค่าสัดส่วนของจำนวนครั้งที่ค่าของประชากรที่แท้จริงของสัดส่วนนั้นอยู่ใน 95% CI ของกลุ่มตัวอย่าง ไม่แตกต่างกันมาก - ประมาณ 96% เทียบกับ 95% แต่นี่ก็สนใจฉันอยู่ดี ฟังก์ชั่นของฉันจะรับตัวอย่างsamp_nจากการกระจาย Bernoulli กับความน่าจะเป็นpop_pและจากนั้นคำนวณช่วงความเชื่อมั่น 95% มีการใช้แก้ไขความต่อเนื่องหรือมากกว่าตรงกับprop.test() binom.test()มันจะส่งกลับ 1 ถ้าสัดส่วนประชากรที่แท้จริงpop_pมีอยู่ใน 95% CI ฉันได้เขียนฟังก์ชันที่สองซึ่งหนึ่งที่ใช้prop.test()และหนึ่งซึ่งใช้binom.test()และมีผลลัพธ์ที่คล้ายกันกับทั้ง: in_conf_int_normal <- function(pop_p = 0.3, samp_n = 1000, correct = T){ ## uses normal approximation to calculate confidence interval ## returns 1 if the …

2
ฉันจะประมาณช่วงความมั่นใจ 95% โดยใช้การทำโปรไฟล์สำหรับพารามิเตอร์ที่ประเมินได้โดยการเพิ่มฟังก์ชั่นบันทึกความเป็นไปได้โดยใช้ optimize ใน R ได้อย่างไร
ฉันจะประมาณช่วงความมั่นใจ 95% โดยใช้การทำโปรไฟล์สำหรับพารามิเตอร์ที่ประเมินได้โดยการเพิ่มฟังก์ชั่นบันทึกความเป็นไปได้โดยใช้ optimize ใน R ได้อย่างไร ฉันรู้ว่าฉันสามารถประเมินเมทริกซ์ความแปรปรวนร่วมแบบไม่มีสัญญาณได้โดยการสลับเฮสเซียนแต่ฉันกังวลว่าข้อมูลของฉันไม่ตรงตามสมมติฐานที่จำเป็นสำหรับวิธีการนี้ที่จะถูกต้อง ฉันต้องการประเมินช่วงความมั่นใจโดยใช้วิธีอื่น วิธีความน่าจะเป็นของโปรไฟล์มีความเหมาะสมตามที่กล่าวไว้ในStryhn และ Christensenและในหนังสือ MASS Venables และ Ripley ของ§8.4, pp. 220-221? ถ้ามีมีแพ็คเกจใดบ้างที่สามารถช่วยฉันทำสิ่งนี้ใน R หรือไม่? ถ้าไม่เช่นนั้นรหัสหลอกสำหรับวิธีการดังกล่าวจะเป็นอย่างไร

2
พารามิเตอร์การบูตแบบกึ่งพารามิเตอร์และแบบไม่มีพารามิเตอร์สำหรับรุ่นผสม
ตัดต่อไปนี้จะนำมาจากบทความนี้ ฉันเป็นมือใหม่ในการบู๊ตสแตรปและพยายามที่จะใช้การบู๊ตสแปปปิ้งแบบกึ่งพารามิเตอร์แบบกึ่งพารามิเตอร์และแบบไม่มีพารามิเตอร์สำหรับแบบจำลองเชิงเส้นผสมกับR bootแพ็คเกจ รหัส R นี่คือRรหัสของฉัน: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

3
การใช้เหตุผลบ่อยครั้งและการปรับเงื่อนไขในการสังเกต (ตัวอย่างจาก Wagenmakers และคณะ)
ฉันไม่ใช่ผู้เชี่ยวชาญด้านสถิติ แต่ฉันรวบรวมว่ามีความขัดแย้งไม่ว่าการตีความ "ความเป็นไปได้" หรือ "เบย์" เป็นความน่าจะเป็น "ขวา" หรือไม่ จากWagenmakers และ อัลพี 183: พิจารณาการแจกแจงแบบสม่ำเสมอด้วยค่าเฉลี่ย μμ\mu และความกว้าง 111. วาดค่าสองค่าแบบสุ่มจากการแจกแจงเลเบลค่าที่เล็กที่สุดsss และที่ใหญ่ที่สุด ล.ล.lและตรวจสอบว่าค่าเฉลี่ย μμ\mu อยู่ในระหว่าง sss และ ล.ล.l. หากขั้นตอนนี้ซ้ำหลายครั้งค่าเฉลี่ยμμ\mu จะอยู่ในระหว่าง sss และ ล.ล.lในครึ่งหนึ่งของกรณี ดังนั้น,( s , l )(s,ล.)(s, l) ให้ช่วงความมั่นใจเป็นประจำ 50% สำหรับ μμ\mu. แต่สมมติว่าสำหรับการจับรางวัลโดยเฉพาะs = 9.8s=9.8s = 9.8 และ l = 10.7ล.=10.7l = 10.7. …

1
ประมาณช่วงความมั่นใจของค่าเฉลี่ยโดยวิธี bootstrap t หรือเพียงแค่โดย bootstrap?
เมื่อประเมินช่วงความมั่นใจของค่าเฉลี่ยฉันคิดว่าทั้งวิธี bootstrap t และวิธี bootstrap แบบ nonparametric นั้นสามารถใช้ได้ แต่วิธีแรกนั้นต้องใช้การคำนวณมากกว่าเล็กน้อย ฉันสงสัยว่าข้อดีและข้อเสียของ bootstrap ที่มากกว่า bootstrap nonparametric ปกติคืออะไร? ทำไม? มีการอ้างอิงบางอย่างสำหรับการอธิบายเรื่องนี้หรือไม่?

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.