คำถามติดแท็ก nonparametric

ฉันอยากรู้ว่าใครมีการอ้างอิงเฉพาะ (ข้อความหรือบทความในวารสาร) เพื่อสนับสนุนการปฏิบัติทั่วไปในวรรณคดีทางการแพทย์ของการคำนวณขนาดตัวอย่างโดยใช้วิธีการที่เป็นพารามิเตอร์ (เช่นสมมติว่ามีการแจกแจงปกติและความแปรปรวนของการวัด) เมื่อการวิเคราะห์ผลการทดลองขั้นต้นจะกระทำโดยใช้วิธีที่ไม่ใช้พารามิเตอร์ ตัวอย่าง: ผลลัพธ์หลักคือเวลาที่จะอาเจียนหลังจากให้ยาบางอย่างซึ่งเป็นที่รู้กันว่ามีค่าเฉลี่ย 20 นาที (SD 6 นาที) แต่มีการแจกแจงเบ้ขวาอย่างเห็นได้ชัด การคำนวณขนาดตัวอย่างทำได้โดยใช้สมมติฐานที่ระบุไว้ข้างต้นโดยใช้สูตร n(per-group)=f(α,β)×(2σ2/(μ1−μ2)2)n(per-group)=f(α,β)×(2σ2/(μ1−μ2)2)n(\text{per-group})=f(\alpha,\beta) \times (2\sigma^2 /(\mu_1 - \mu_2)^2 ) , โดยที่เปลี่ยนแปลงตามข้อผิดพลาดและต้องการf(α,β)f(α,β)f(\alpha, \beta)αα\alphaββ\beta อย่างไรก็ตามเนื่องจากความเบ้ของการแจกแจงการวิเคราะห์ผลลัพธ์หลักจะขึ้นอยู่กับอันดับ (วิธีการที่ไม่ใช่พารามิเตอร์เช่นการทดสอบ Mann Whitney U) สคีมานี้สนับสนุนโดยผู้เขียนในวรรณกรรมทางสถิติหรือควรทำการประมาณขนาดตัวอย่างที่ไม่ใช่พารามิเตอร์ (และจะต้องทำอย่างไร) ความคิดของฉันคือเพื่อความสะดวกในการคำนวณมันเป็นที่ยอมรับที่จะทำแบบฝึกหัดข้างต้น ท้ายที่สุดแล้วการประมาณขนาดตัวอย่างเป็นเพียงแค่นั้น - การประมาณการที่ทำข้อสันนิษฐานหลายข้อ - ซึ่งทั้งหมดนั้นมีแนวโน้มเล็กน้อย (หรือมาก!) ไม่แน่ชัด อย่างไรก็ตามฉันอยากรู้ว่าคนอื่นคิดอย่างไรและโดยเฉพาะอย่างยิ่งที่จะรู้ว่ามีการอ้างอิงใด ๆ เพื่อสนับสนุนการให้เหตุผลในแนวนี้ ขอบคุณมากสำหรับความช่วยเหลือใด ๆ

12 nonparametric  sample-size 

ฉันอ่านบทความ Wikipedia เกี่ยวกับแบบจำลองทางสถิติที่นี่และฉันค่อนข้างงุนงงกับความหมายของ "ตัวแบบทางสถิติที่ไม่ใช่พารามิเตอร์" โดยเฉพาะ: แบบจำลองทางสถิติไม่ใช่พารามิเตอร์ถ้าชุดพารามิเตอร์ΘΘ\Theta เป็นมิติที่ไม่มีที่สิ้นสุด แบบจำลองทางสถิติคือsemiparametricถ้ามันมีทั้งขอบเขต จำกัด และพารามิเตอร์อนันต์มิติ อย่างเป็นทางการถ้าdddคือมิติของΘΘ\Thetaและnnnคือจำนวนของกลุ่มตัวอย่างทั้งสองรุ่น semiparametric และไม่อิงพารามิเตอร์มีd→ ∞d→∞d \rightarrow \inftyเป็นn → ∞n→∞n \rightarrow \infty ∞ ถ้าd/ n→0d/n→0d/n \rightarrow 0 เป็นn → ∞n→∞n \rightarrow \inftyโมเดลจะเป็นแบบ semiparametric มิฉะนั้นโมเดลนั้นไม่ใช่พารามิเตอร์ ฉันเข้าใจว่าถ้ามิติ (ฉันใช้นั่นหมายถึงจำนวนพารามิเตอร์) ของโมเดลนั้น จำกัด แน่นอนนี่คือโมเดลพาราเมตริก สิ่งที่ไม่สมเหตุสมผลสำหรับฉันคือวิธีที่เราสามารถมีแบบจำลองทางสถิติที่มีจำนวนพารามิเตอร์ที่ไม่สิ้นสุดเช่นที่เราจะเรียกมันว่า "แบบไม่อิงพารามิเตอร์" ยิ่งไปกว่านั้นแม้ว่าในกรณีนี้ทำไม "ไม่ใช่" หากในความเป็นจริงมีจำนวนมิติไม่สิ้นสุด สุดท้ายเนื่องจากฉันมาที่นี่จากภูมิหลังการเรียนรู้ของเครื่องมีความแตกต่างระหว่าง "แบบจำลองทางสถิติที่ไม่ใช่พารามิเตอร์" นี้หรือไม่และพูดว่า "แบบจำลองการเรียนรู้ด้วยเครื่องที่ไม่ใช่พารามิเตอร์" ในที่สุดตัวอย่างที่เป็นรูปธรรมอาจเป็นของโมเดลที่ไม่มีขอบเขตอนันต์แบบไม่มีพารามิเตอร์

12 nonparametric  model 

ฉันทิ้งปัญหาไว้ที่นี่เพื่อรับมัน ฉันมีตัวแปรสุ่มสองตัว หนึ่งในนั้นคือต่อเนื่อง (Y) และอีกอันหนึ่งซึ่งไม่ต่อเนื่องและจะเข้าหาเป็นลำดับ (X) ฉันวางพล็อตด้านล่างที่ฉันได้รับพร้อมกับข้อความค้นหา คนที่ส่งข้อมูลมาให้ฉันต้องการวัดความแข็งแกร่งของการเชื่อมโยงระหว่าง X และ Y ฉันกำลังมองหาแนวคิดที่จะไม่มาพร้อมกับข้อสันนิษฐานเกี่ยวกับกระบวนการที่สร้างข้อมูล หมายเหตุว่านี้ไม่ได้เกี่ยวกับการหาวิธีที่พาราไม่ใช่เพื่อทดสอบความแข็งแรงของความสัมพันธ์ (ในขณะที่บูต) แต่เกี่ยวกับการหาวิธีที่ไม่ใช่ตัวแปรที่จะวัดมัน ในทางตรงกันข้ามประสิทธิภาพไม่ใช่ปัญหาเนื่องจากมีจุดข้อมูลจำนวนมาก

12 correlation  nonparametric  ordinal-data  association-measure 

จากวิกิพีเดีย ความหมายแรกของเทคนิคที่ไม่ใช้พารามิเตอร์ครอบคลุมที่ไม่พึ่งพาข้อมูลที่เป็นของการแจกจ่ายเฉพาะ สิ่งเหล่านี้รวมถึง: วิธีการแจกฟรีซึ่งไม่ขึ้นอยู่กับสมมติฐานที่ว่าข้อมูลถูกดึงออกมาจากการแจกแจงความน่าจะเป็นที่กำหนด เช่นนี้มันเป็นสิ่งที่ตรงกันข้ามกับสถิติเชิงพารามิเตอร์ มันรวมถึงแบบจำลองทางสถิติที่ไม่ใช่พารามิเตอร์การอนุมานและการทดสอบทางสถิติ สถิติที่ไม่ใช่พารามิเตอร์ (ในแง่ของสถิติเหนือข้อมูลซึ่งถูกกำหนดให้เป็นฟังก์ชันในตัวอย่างที่ไม่มีการพึ่งพาพารามิเตอร์) ซึ่งการตีความไม่ได้ขึ้นอยู่กับประชากรที่เหมาะสมกับการแจกแจงแบบพาราเมตริก สถิติที่อยู่บนพื้นฐานของการสังเกตเป็นตัวอย่างหนึ่งของสถิติดังกล่าวและสิ่งเหล่านี้มีบทบาทสำคัญในแนวทางที่ไม่ใช่พารามิเตอร์หลายอย่าง ฉันไม่เห็นความแตกต่างระหว่างสองกรณี: วิธีการแจกฟรีและสถิติที่ไม่ใช่พารามิเตอร์ พวกเขาทั้งสองไม่คิดว่าข้อมูลมาจากการแจกแจงบ้างไหม? พวกเขาต่างกันอย่างไร ขอบคุณและขอแสดงความนับถือ!

12 nonparametric 

ฉันไม่คิดว่าจะมีคำตอบเดียวสำหรับโมเดลการเรียนรู้ลึกทั้งหมด แบบจำลองการเรียนรู้แบบลึกใดที่เป็นพารามิเตอร์และแบบใดที่ไม่ใช่พารามิเตอร์และเพราะอะไร

12 neural-networks  deep-learning  nonparametric  parametric 

ฉันกำลังทำงานกับชุดข้อมูลที่ไม่ใช่พารามิเตอร์และมี 12 การรักษา ฉันทำการทดสอบ Kruskal-Wallis และได้ค่าสำคัญและตอนนี้ฉันต้องการทำการเปรียบเทียบหลายขั้นตอนเพื่อดูว่าการรักษาใดที่แตกต่างกันอย่างมีนัยสำคัญ มีข้อมูลจำนวนมากเกี่ยวกับหัวข้อนี้ แต่ฉันไม่พบสิ่งใดที่แก้ไขปัญหานี้โดยเฉพาะ ความคิดใด ๆ ?? พีพีp

11 nonparametric  multiple-comparisons  kruskal-wallis  dunn-test 

ฉันพยายามประเมินประสิทธิภาพของอัลกอริทึมการจัดหมวดหมู่การเรียนรู้ของเครื่องภายใต้การดูแล ข้อสังเกตตกอยู่ในชั้นเรียนเล็กน้อย (2 ในขณะนี้ แต่ฉันต้องการที่จะพูดคุยเรื่องนี้กับปัญหาหลายชั้น) ที่ดึงมาจากประชากร 99 วิชา หนึ่งในคำถามที่ฉันต้องการจะตอบคือถ้าอัลกอริทึมแสดงความแตกต่างอย่างมีนัยสำคัญในความถูกต้องของการจำแนกประเภทระหว่างคลาสอินพุต สำหรับกรณีการจำแนกเลขฐานสองฉันกำลังเปรียบเทียบความแม่นยำหมายถึงระหว่างชั้นเรียนของอาสาสมัครโดยใช้การทดสอบWilcoxon ที่จับคู่ (เนื่องจากการแจกแจงแบบพื้นฐานไม่ใช่แบบปกติ) เพื่อพูดคุยขั้นตอนนี้กับปัญหาหลายชั้นฉันต้องการใช้แบบทดสอบฟรีดแมน อย่างไรก็ตามค่า p ที่ได้รับจากทั้งสองโพรซีเดอร์ในกรณีของไบนารี IV จะแตกต่างกันไปอย่างดุเดือดด้วยการทดสอบ Wilcoxon ที่ให้ผลp < .001ในขณะที่p = .25การทดสอบฟรีดแมน สิ่งนี้ทำให้ฉันเชื่อว่าฉันมีความเข้าใจผิดขั้นพื้นฐานเกี่ยวกับโครงสร้างของการทดสอบฟรีดแมน มันไม่เหมาะสมที่จะใช้การทดสอบฟรีดแมนในกรณีนี้เพื่อเปรียบเทียบผลของการวัดซ้ำของความถูกต้องในทุกวิชาหรือไม่ รหัส R ของฉันเพื่อรับผลลัพธ์เหล่านั้น ( subjectคือตัวระบุหัวเรื่อง, accความแม่นยำ DV และexpectedคลาสการสังเกต IV): > head(subject.accuracy, n=10) subject expected acc 1 10 none 0.97826087 2 10 high 0.55319149 3 …

11 r  hypothesis-testing  nonparametric 

ฉันพยายามเลือกหนึ่งจากการทดสอบทั้งสองนี้เพื่อวิเคราะห์ข้อมูลที่จับคู่ ไม่มีใครรู้กฎของหัวแม่มือเกี่ยวกับที่จะเลือกโดยทั่วไป?

11 hypothesis-testing  nonparametric  paired-data  wilcoxon-signed-rank  sign-test 

ฉันเรียนสถิติมาสองปีที่ผ่านมา เกือบทุกอย่างที่ฉันได้เรียนรู้เกี่ยวกับสถิติเชิงพารามิเตอร์ ตอนนี้ฉันต้องการเรียนรู้เพิ่มเติมเกี่ยวกับสถิติที่ไม่ใช่พารามิเตอร์ ใครช่วยแนะนำสั้น ๆ (อาจจะอ่านได้ดี) แนะนำในพื้นที่นี้

11 self-study  nonparametric  references 

ฉันกำลังเปรียบเทียบประสิทธิภาพของอัลกอริทึมหลายชุดในชุดข้อมูลหลายชุด ตั้งแต่ผู้การวัดประสิทธิภาพการทำงานไม่ได้รับประกันว่าจะกระจายตามปกติผมเลือกทดสอบฟรีดแมนกับโพสต์-hoc ทดสอบ Nemenyi ขึ้นอยู่กับDemšar (2006) จากนั้นฉันก็พบกระดาษอื่นที่นอกเหนือจากการแนะนำวิธีอื่น ๆ เช่นการทดสอบ Quade ด้วยการทดสอบหลังการทำ Shaffer ที่ตามมาพวกเขาใช้การทดสอบ Nemenyi ต่างกัน ฉันจะใช้การทดสอบ Nemenyi หลังการทดสอบอย่างถูกต้องได้อย่างไร 1. การใช้สถิติช่วง Studentized ในบทความของDemšarมันบอกว่าจะปฏิเสธสมมติฐานว่าง (ไม่มีความแตกต่างของประสิทธิภาพของสองอัลกอริธึม) ถ้าค่าเฉลี่ยความแตกต่างอันดับมากกว่าระยะทางวิกฤติซีดี คD =Qαk ( k + 1 )6 N-------√CD=qαk(k+1)6N CD = q_{\alpha}\sqrt{{k(k+1)}\over{6N}} "โดยที่ค่าวิกฤตqαขึ้นอยู่กับสถิติของช่วง Studentized หารด้วย "2-√.2.\sqrt{2}. หลังจากขุดค้นพบว่าคุณสามารถค้นหา "ค่าวิกฤต" สำหรับα = 0.05α=0.05\alpha = 0.05บางตัวเช่นในตารางสำหรับสำหรับองศาอิสระที่ไม่มีที่สิ้นสุด (ที่ด้านล่างของแต่ละตาราง) 2. หรือใช้การแจกแจงแบบปกติ? เมื่อฉันคิดว่าฉันรู้ว่าต้องทำอะไรฉันพบกระดาษอีกฉบับที่ทำให้ฉันสับสนอีกครั้งเพราะพวกเขาใช้การแจกแจงแบบปกติเท่านั้น …

11 nonparametric  multiple-comparisons  post-hoc 

ฉันมีตัวแปรเด็ดขาด / สองเล็กน้อย แต่ละคนสามารถรับค่าที่แตกต่างกันเพียงสองค่าเท่านั้น (ดังนั้นฉันจึงมีทั้งหมด 4 แบบ) การรวมกันของค่าแต่ละค่ามาพร้อมกับชุดของค่าตัวเลข ดังนั้นฉันมีตัวเลข 4 ชุด เพื่อให้เป็นรูปธรรมมากขึ้นขอให้เราบอกว่าฉันมีmale / femaleและyoung / oldเป็นตัวแปรที่กำหนดและฉันมีweight"เอาท์พุท" เชิงตัวเลข ฉันรู้ว่าการเปลี่ยนจากmaleเป็นfemaleเปลี่ยนน้ำหนักเฉลี่ยและการเปลี่ยนแปลงเหล่านี้มีนัยสำคัญทางสถิติ ดังนั้นฉันสามารถคำนวณgenderปัจจัย เช่นเดียวกับageตัวแปร ฉันรู้ว่าการเปลี่ยนจากyoungเป็นoldเปลี่ยนน้ำหนักเฉลี่ยและฉันสามารถคำนวณageปัจจัยที่เกี่ยวข้องได้ ตอนนี้สิ่งที่ฉันต้องการดูว่าข้อมูลพิสูจน์ให้เห็นว่าการเปลี่ยนจากหญิงสาวเป็นชายชราเป็นมากกว่าการรวมกันของเพศ - และปัจจัยอายุ กล่าวอีกนัยหนึ่งฉันต้องการทราบว่าข้อมูลพิสูจน์ว่ามี "เอฟเฟ็กต์ 2 มิติ" หรือกล่าวอีกนัยหนึ่งว่าเอฟเฟกต์อายุและเพศไม่ได้เป็นอิสระ ตัวอย่างเช่นอาจเป็นเรื่องเก่าสำหรับผู้ชายที่เพิ่มน้ำหนักตามปัจจัย 1.3 และสำหรับผู้หญิงปัจจัยที่เกี่ยวข้องคือ 1.1 แน่นอนฉันสามารถคำนวณสองปัจจัยที่กล่าวถึง (ปัจจัยอายุสำหรับผู้ชายและปัจจัยอายุสำหรับผู้หญิง) และพวกเขาจะแตกต่างกัน แต่ฉันต้องการคำนวณนัยสำคัญทางสถิติของความแตกต่างนี้ ความแตกต่างนี้จริงแค่ไหน ฉันต้องการทำแบบทดสอบที่ไม่ใช่พารามิเตอร์หากเป็นไปได้ เป็นไปได้ไหมที่จะทำสิ่งที่ฉันต้องการจะทำโดยการผสมทั้งสี่เซตสับมันแบ่งอีกครั้งและคำนวณบางอย่าง

10 hypothesis-testing  p-value  nonparametric  permutation-test 

ฉันกำลังทำงานกับชุดข้อมูล หลังจากใช้เทคนิคการระบุตัวแบบบางอย่างฉันก็ออกมาพร้อมกับแบบจำลอง ARIMA (0,2,1) ผมใช้detectIOฟังก์ชั่นในแพคเกจTSAในการวิจัยที่จะตรวจพบนวัตกรรมขอบเขต (IO) ที่สังเกต 48th ของชุดข้อมูลเดิมของฉัน ฉันจะรวมค่าผิดปกตินี้ไว้ในแบบจำลองของฉันเพื่อที่ฉันจะสามารถใช้เพื่อวัตถุประสงค์ในการพยากรณ์ได้อย่างไร ฉันไม่ต้องการใช้แบบจำลอง ARIMAX เนื่องจากฉันอาจไม่สามารถคาดการณ์ได้จากสิ่งนั้นใน R มีวิธีอื่นที่ฉันสามารถทำได้หรือไม่ นี่คือค่านิยมของฉันตามลำดับ: VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

คำถามนี้อธิบายถึงความแตกต่างพื้นฐานระหว่างเครื่องแบบและฮิสโตแกรมที่ไม่ใช่แบบฟอร์ม และคำถามนี้กล่าวถึงกฎของหัวแม่มือสำหรับการเลือกจำนวนช่องเก็บของฮิสโตแกรมสม่ำเสมอที่ปรับให้เหมาะสม (ในบางแง่มุม) ระดับที่ฮิสโทแกรมแสดงถึงการกระจายตัวจากการสุ่มตัวอย่างข้อมูล ดูเหมือนว่าฉันจะไม่พบการสนทนา "การมองโลกในแง่ดี" แบบเดียวกันเกี่ยวกับฮิสโตแกรมชุดที่ไม่เหมือนกัน ฉันมีการแจกแจงแบบไม่อิงพารามิเตอร์แบบกระจุกตัวและมีค่าผิดปกติที่อยู่ไกลดังนั้นฮิสโตแกรมที่ไม่สม่ำเสมอทำให้เข้าใจได้ง่ายขึ้น แต่ฉันชอบที่จะเห็นการวิเคราะห์ที่แม่นยำยิ่งขึ้นของคำถามสองข้อต่อไปนี้: ฮิสโตแกรมแบบสม่ำเสมอเมื่อใดจะดีกว่าแบบ bin ที่ไม่สม่ำเสมอ ฮิสโตแกรมที่ไม่สม่ำเสมอนั้นมีจำนวนเท่าใด สำหรับฮิสโตแกรมที่ไม่เหมือนกันฉันถือว่าเป็นกรณีที่ง่ายที่สุดที่เรานำตัวอย่างจากการแจกแจงที่ไม่รู้จักเรียงลำดับค่าและแยกพวกมันออกเป็น b เช่นที่แต่ละ bin มีของสิ่งเหล่านี้ ตัวอย่าง (สมมติว่าสำหรับบางจำนวนเต็มขนาดใหญ่ ) ช่วงที่จะเกิดขึ้นโดยการจุดกึ่งกลางระหว่างของค่าในถังผมและ\ นาทีของค่าในถังi + 1 ที่นี่และนี่คือลิงค์ที่อธิบายฮิสโทแกรมที่ไม่เหมือนกันประเภทนี้nnnnnnkkkknkn\frac{k}{n}n ≡ c kn≡คkn \equiv c kคคcสูงสุดสูงสุด\maxผมผมiนาทีนาที\minฉัน+ 1ผม+1i+1

10 nonparametric  outliers  histogram  rule-of-thumb 

เมื่อดูที่แหล่งข้อมูลออนไลน์หลายแห่งฉันดูเหมือนจะไม่ได้รับคำตอบที่ตรง มีคนช่วยอธิบายให้ฉันฟังได้ไหมถ้าข้อมูลลำดับนั้นเพียงพอที่จะใช้สำหรับ WSRT และถ้าไม่ใช่การทดสอบเครื่องหมายเป็นทางเลือกที่เหมาะสมหรือไม่? ในที่สุดนี้เป็นโครงการวิทยานิพนธ์ของฉันที่มหาวิทยาลัยและหากมีการอ้างอิง / วรรณคดีใด ๆ ที่จะรวมอยู่ในคำตอบก็จะได้รับการชื่นชมมากเพราะฉันต้องพิสูจน์ตัวเลือกการทดสอบของฉันทั้งสองทางและจนถึงตอนนี้มีคำตอบจากเว็บไซต์ ไม่สามารถอ้างอิงได้!)

10 nonparametric  assumptions  wilcoxon-signed-rank 

ฉันสังเกตว่าเมื่อฉันพยายามค้นหาค่าวิกฤตสำหรับ Mann-Whitney U โดยใช้ R ค่าจะเป็น 1 + ค่าวิกฤตเสมอ ตัวอย่างเช่นสำหรับ , ค่าวิกฤต (สองหาง) คือ 8 ในขณะที่สำหรับ , (สองหาง ) ค่าวิกฤตคือ 22 (ตรวจสอบตาราง ) แต่:α = .05 , n = 12 , m = 8α=.05,n=10,m=5α=.05,n=10,m=5\alpha=.05, n = 10, m = 5α = .05 , n = 12 , m = 8α=.05,n=12,m=8\alpha=.05, …

10 r  hypothesis-testing  nonparametric  wilcoxon-mann-whitney