Logisztikus regresszió 2. rész — determinációs együttható és p-érték

Az előző részben megismertük, hogy a logisztikus regressziós modell készítésének hátterét, a mai bejegyzésben megnézzük a modellünk mennyire használható. Ehhez a lineáris regresszióval kapcsolatban megismert determinációs együtthatót és p-értéket fogjuk használni. McFadden áldeteminációs együttható A McFadden ugyanazt a logikát követi mint a lineáris modell determinációs együtthatója. Vagyis a determinációs együttható a legjobb és a legrosszabb … Logisztikus regresszió 2. rész — determinációs együttható és p-érték olvasásának folytatása →

Mesterséges kontroll csoport

A randomizált, kontroll vizsgálatról szóló bejegyzésben már találkoztunk azzal a problémával, hogy ideális esetben ugyanazon a kísérleti alanyon szeretnénk megvizsgálni a kezelés hatását és a kezelés hiányának következményeit. Ez persze lehetetlen, de a randomizált kontroll csoport létrehozása általában segít ebben a problémában. A mai bejegyzésben viszont egy olyan esetet fogunk megnézni, amikor nem lehet kontroll … Mesterséges kontroll csoport olvasásának folytatása →

Randomizált, kontrollált vizsgálat — statisztikai alapok

A mai bejegyzésben egy nagyon elterjedt, és megbízhatónak tartott vizsgálati módszert fogunk megnézni, nevezetesen a „Randomizált, kontrollált vizsgálatot”. Ezt olyan esetekben használjuk, ha arra vagyunk kíváncsiak, hogy egy beavatkozásnak (kezelésnek) mi a várható eredménye. Gondolkozzunk el egy kicsit a felhasználási területén! Mint említettem, akkor használjuk, ha arra vagyunk kíváncsiak, hogy mi egy beavatkozás várható eredménye. … Randomizált, kontrollált vizsgálat — statisztikai alapok olvasásának folytatása →

Fisher egzakt p-érték

Az előző részben bemutattam, a kontrollált vizsgálat alapjait, és eljutottam annak felismeréséig, hogy az Átlagos kezelési hatás naiv alkalmazása teljesen rossz eredményt produkálhat bizonyos esetekben. Most megnézzük mit lehet tenni ezzel a problémával. Régi jó barátunk Ronard Fisher is felismerte a problémát, amivel mi találkoztunk. De volt két fontos különbség közte és a mi alapállásunk … Fisher egzakt p-érték olvasásának folytatása →

Wald’s teszt

A Wald's teszt lényegében egy Hipotézis teszt annak eldöntésére, hogy az adatok egy bizonyos populációs paraméterrel magyarázhatók-e. Ugye az, hogy tudjuk egy adott populáció eloszlásnak típusát nem jelenti azt, hogy ha tudjuk annak paraméterét is1. Ha magára a paramétere vagyunk kíváncsiak ilyenkor paraméter becslést végzünk. De ez arra válaszol, mi a legvalószínűbb értéke a paraméternek. … Wald’s teszt olvasásának folytatása →

Hipotézis teszt — statisztika alapok

Talán nem árulok el titkot, ha azt mondom a hipotézis elméleteket tesztel. Arra szolgál, hogy eldöntsük az elmélet fenntartható-e. Null és alternatív hipotézis Tehát van egy elméletünk. Ez sok minden lehet, pl: Z gyógyszer jobb mint a placebo, az ügyintézés Szegeden lassabb, mint az országos átlag, vagy az adatbázis lassabb mint két héttel ezelőtt volt. … Hipotézis teszt — statisztika alapok olvasásának folytatása →

Student’s t két mintás teszt — példa számítás

Nem olyan régen körbejártam, milyen esetekben használunk Student's t eloszlást. Most nézzük meg, hogyan valósítjuk meg ezt két minta esetén. Tegyük fel, hogy van n darab mintánk egy Normál eloszlású populációból. Nevezzük őket $latex X_1,\dots , X_n$ és feltételezzük, hogy az populáció igazi átlaga $latex \mu_1$, míg a varianciája $latex \sigma_1^2$. Legyen egy másik mintánk … Student’s t két mintás teszt — példa számítás olvasásának folytatása →

Kolmogorov-Lilliefors teszt

A Kolmogorov-Lilliefors egy hipotézis teszt, ami arra próbál válaszolni: az adatok normál eloszlásból származnak-e? Ez a teszt lényegében a Kolmogorov–Smirnov teszt normál eloszlásokra alkalmazott változata. A lényegi különbség a kettő között: hogy míg a Kolmogorov–Smirnov-ban az adatokat egy konkrét paraméterű eloszlással hasonlítjuk össze, addig itt, általánosságban kérdezzük, hogy az adatok egy bármilyen paraméterű normál eloszlásból … Kolmogorov-Lilliefors teszt olvasásának folytatása →

Hipotézis teszt — nem aszimptotikus esetekre (Student t eloszlás)

Aszimptotikus esetekben általában elég könnyű dolgunk van Hipotézis tesztekre. A Central Limit Theorem segítségével, lényegében minden kérdést standard normál eloszlásra tudunk alakítani. Innen pedig már könnyem tesztelünk. De mi van ha túl kicsi a mintavételünk, és a CLT-t nem hívhatjuk segítségül? Ezt fogjuk most megvizsgálni. Lényegében fény fog derülni arra miért a Student T eloszlást … Hipotézis teszt — nem aszimptotikus esetekre (Student t eloszlás) olvasásának folytatása →