作者查詢 / yhliu

總覽項目：發文 | 留言 | 暱稱

作者 yhliu 在 PTT [ Statistics ] 看板的留言(推文), 共7582則

限定看板：Statistics

看板排序：

首頁

尾頁

[問題] 抽樣調查問題

[ Statistics ]7 留言, 推噓總分: 0

作者: ricky65lue - 發表於 2025/03/06 22:14(11月前)

1^F→yhliu: 教本應該有公式啊？有限群體不放還法簡單隨機抽樣：03/07 06:45

2^F→yhliu: E[樣本平均] = 群體平均；03/07 06:46

3^F→yhliu: V(樣本平均) = (群體變異數)/n * (N-n)/(N-1)03/07 06:47

4^F→yhliu: 上列群體變異數是以 N(群體大小) 為除數03/07 06:49

5^F→yhliu: E[樣本變異數] = （群體變異數) * N/(N-1)03/07 06:50

6^F→yhliu: 上列樣本變異數是以 n-1 (n為樣本大小) 為除數03/07 06:52

7^F→yhliu: 若計算群體變異數是以 N-1 為除數，E[s^2] =　群體變異數03/07 06:54

Re: [問題] 顯著差異和顯著相關是指同一件事情嗎?

[ Statistics ]23 留言, 推噓總分: +1

作者: fsm - 發表於 2025/02/26 15:14(11月前)

1^F→yhliu: X 對 Y 有顯著影響，X 與 Y 之間有顯著相關，Y 在不同 X 水02/27 07:52

2^F→yhliu: 準之間有顯著差異等等描述法其意義大致類似。02/27 07:54

4^F→yhliu: 例如說性別對於學習成效是否有顯著相關，02/28 07:09

5^F→yhliu: 也可以說性別對學習成效影響是否顥著，02/28 07:11

6^F→yhliu: 或者說不同性別的學習成效差異是否顯著。02/28 07:13

14^F→yhliu: 如果檢定結論是男女性學習成效有差異，為什麼不能說性別和03/02 08:30

15^F→yhliu: 學習成效有相關？如果年齡和學習成效有相關，為什麼不能說03/02 08:33

16^F→yhliu: 不同年齡層的學習成效有差異？有什麼道理說談差異只能用 t03/02 08:35

17^F→yhliu: 檢定，ANOVA 的方法談？有什麼理由說談兩變數相關或關聯只03/02 08:37

18^F→yhliu: 能檢定相關係數？簡單直線迴歸係數的 t 檢定也可用於檢定依03/02 08:39

19^F→yhliu: 變數和自變數是否存在直線相關；ANOVA 可以用於檢定反應變03/02 08:40

20^F→yhliu: 數與離散化解釋變數間是否存在直線或曲線相關。列聯表卡方03/02 08:43

21^F→yhliu: 檢定既是檢定列變數與行變數是否存在相關(關聯)，也是檢定03/02 08:44

22^F→yhliu: 各行或各列的(條件)分布是否一致(即：是否有差異)。03/02 08:46

[問題] 回歸模型的交互確認

[ Statistics ]3 留言, 推噓總分: 0

作者: saltlake - 發表於 2025/01/21 22:39(1年前)

1^F→yhliu: 把一個樣本分割成訓練樣本和確認樣本做交互確認，本來就是01/22 08:10

2^F→yhliu: 確認模型的簡略方式。如果在模型建立配適好之後再另尋現實01/22 08:13

3^F→yhliu: 樣本資料做確認，更符合交互確認的本意。01/22 08:15

[問題] 對同群樣本作多種測試之相關性

[ Statistics ]5 留言, 推噓總分: 0

作者: saltlake - 發表於 2025/01/20 21:35(1年前)

2^F→yhliu: 沒錯，單只因不同測量是在同一個體做的，就要考慮它們之間01/22 08:02

3^F→yhliu: 可能存在相關；而不同測量之間另有共同或相反特徵，更使得01/22 08:04

4^F→yhliu: 其暑存在複雜關聯，這些複雜關聯或許會導致如相關係數之類01/22 08:06

5^F→yhliu: 的關聯指標隱而不顯，但卻不會使這些測量結果相互獨立。01/22 08:08

1^F→yhliu: 必須時時刻刻記得它們存在著相關性。01/21 08:23

[問題] 交聯集假說的一個證明

[ Statistics ]14 留言, 推噓總分: +1

作者: saltlake - 發表於 2025/01/01 00:27(1年前)

12^F→yhliu: 題又考慮到假說群子集的問題，所以有Duncan, Holm 等修正01/04 08:18

14^F→yhliu: 不考慮子集問題。01/04 08:21

13^F→yhliu: Tukey 和 Bonferroni 法的程序。而在 UI 和 IU 檢定中，並01/04 08:19

1^F→yhliu: https://yhliu2k.pixnet.net/blog/post/17031618401/01 10:02

2^F推yhliu: https://pages.stat.wisc.edu/~shao/stat610/stat610-13.pd01/02 07:19

3^F→yhliu: 上面連結網址最後是 .pdf01/02 07:21

4^F→yhliu: 我看不懂你把這些假說和檢定看成什麼？在我的眼中，多重檢01/04 07:58

5^F→yhliu: 定重點在各子假說檢定之外同時希望兼顧總體型一錯誤機率，01/04 08:00

6^F→yhliu: 相當於在各子檢定之外又考慮了UI檢定，不過卻不一定用UI檢01/04 08:03

7^F→yhliu: 定的方法。至於UI檢定和IU檢定的虛無假說本就不同，如何能01/04 08:04

8^F→yhliu: 期望有 "一致" 的結果？01/04 08:05

9^F→yhliu: UI檢定算是多重檢定中控制FWER的一個簡單檢定規則，但其實01/04 08:07

10^F→yhliu: 它的檢定大小不易計算；ANOVA中的 Scheffe法和Tukey法多重01/04 08:12

11^F→yhliu: 比較則是在正確檢定大小的UI假說的檢定方法。但多重檢定問01/04 08:14

[問題] 不同複合假說對相同多重測試的解釋

[ Statistics ]27 留言, 推噓總分: +2

作者: saltlake - 發表於 2024/11/17 14:07(1年前)

22^F→yhliu: 一群評價者主觀評估演算法優劣，而以統計假說檢定判定各演01/05 10:30

17^F→yhliu: 真要比較演算法優劣當然可以訂定適當標準做客觀評估，這是01/05 10:18

20^F→yhliu: 但不是用演算法性質的數學分析而是採用實驗方式以獲取各演01/05 10:25

19^F→yhliu: 計方法可使用統計假說檢定做評估，其一也是先擇定評估準則,01/05 10:24

18^F→yhliu: 非統計方法。但是，涉及演算法比較至少還有兩種情形涉及統01/05 10:22

24^F→yhliu: 前說重點不在演算法而是統計假說檢定，因 "演算法比較" 只01/05 10:35

21^F→yhliu: 算法實證數據相互比較，這也是一種客觀比較。其次，可以由01/05 10:27

27^F→yhliu: 方法和思路？01/05 10:40

23^F→yhliu: 法在潛在使用者或評價者心目中的優劣。不過，就本問，我先01/05 10:33

25^F→yhliu: 是問題隨意敘述的一個例子，就像數學練習中很多例子，難道01/05 10:37

26^F→yhliu: 重點在那些看起來毫無實用價值的 "實例" 而不是涉及的數學01/05 10:39

2^F→yhliu: 重點不是 "演算法", 而是統計假說檢定. 不過, 我所學太淺,12/13 09:30

3^F→yhliu: 沒學過 intersection-intersection test.12/13 09:31

4^F→yhliu: 如果個別檢定顯著水準都是 0.01 的話, UI檢定會拒絕聯合的12/13 09:33

5^F→yhliu: 虛無假說, 意謂 A>B, A>C, A>D 並非全部成立;12/13 09:34

6^F→yhliu: IU檢定不拒絕虛無假說,意謂 A>B,A>C,A>D 至少一個成立.12/13 09:36

7^F→yhliu: 上面錯了...UI test 的結果是 A>B or A>C or A>D 不被接受12/13 09:39

8^F→yhliu: 唉! 又弄錯了, H0i 應是 A<=B, A<=C, A<=D, UI test 的結果12/13 09:42

9^F→yhliu: 是三個虛無假說並非全部成立, 所以 A>B or A>C or A>D 至少12/13 09:43

10^F→yhliu: 一個成立; 而 IU test 的結果是 A>B, A>C, A>D 並非全部成12/13 09:44

11^F→yhliu: 立, 因為 A<=B, A<=C, A<=D 至少一個成立.12/13 09:45

12^F→yhliu: 根據顯著水準0.01做個別檢定建構的 UIT 符合顯著水準0.03,12/14 15:53

13^F→yhliu: 而IUT的顯著水準是0.01.12/14 15:54

14^F→yhliu: "A>D 不顯著" 就是不能拒絕 "A<=D" 這個虛無假說。12/17 07:56

[問題] Holm's correction 為何不須測所有子假說

[ Statistics ]12 留言, 推噓總分: +1

作者: saltlake - 發表於 2024/09/29 03:23(1年前)

1^F→yhliu: 想一想如果在第一步就不顥著，是不是依控制整體型一誤機率09/29 08:03

2^F→yhliu: 的原理，所有虛無假說都應判定不顥著？也就是說：只有在控09/29 08:04

3^F→yhliu: 制了整體型一誤機率之下判定目前這個假說是顯著的，才有必09/29 08:07

4^F→yhliu: 要再檢查，或說有可能仍存在其他顯著的虛無假說。09/29 08:08

5^F→yhliu: https://yhliu2k.pixnet.net/blog/post/16343260609/29 11:25

[問題] FWER 和 PFER 的差異

[ Statistics ]1 留言, 推噓總分: 0

作者: saltlake - 發表於 2024/09/08 06:15(1年前)

1^F→yhliu: PFER = E[V], 假陽性數期望值, = m*PCER09/08 11:17

[問題] 回報 p 值和信心區間

[ Statistics ]34 留言, 推噓總分: +2

作者: saltlake - 發表於 2024/08/30 11:12(1年前)

6^F→yhliu: 統計假說檢定是關於群體參數的二元分割的判斷，虛無假說是09/01 10:12

7^F→yhliu: 傾向於保守的一種揣測，對立假說是想要由資料獲得支持證據09/01 10:15

8^F→yhliu: 的另一個猜測。例如在藥學統計，一種新藥的提出，需要證據09/01 10:17

9^F→yhliu: 說新藥比舊藥好，H0 說新藥沒有比較好，Ha 說新藥比較好。09/01 10:19

10^F→yhliu: p 值是依現有資料，H0 能被拒絕，也就是 Ha 被支持的最小顯09/01 10:21

11^F→yhliu: 著水準。在 p 值未流行以前，是固定顯著水準，而檢定結果說09/01 10:22

12^F→yhliu: 拒絕 H0 (支持 Ha) 或不拒絕 H0，也就是所謂的顯著或不顯著09/01 10:24

13^F→yhliu: 所以 p 值比固定水準的顯著不顯著好，因為比如報告者用 .0509/01 10:26

14^F→yhliu: 顯著水準說顯著，但閱讀或聆聽報告者卻覺得 .05 的容許型一09/01 10:28

15^F→yhliu: 誤機率水準太寬鬆或太嚴格，則無法做自己的顯著不顯著判定09/01 10:30

16^F→yhliu: 而有了 p 值就沒這樣的遺憾了。但無論報告顯著與否或 p 值,09/01 10:32

17^F→yhliu: 如前面新藥是否較好的例子，也只能知道在給定之顥著水準下,09/01 10:34

18^F→yhliu: 是否能支持 "新藥較好" 這樣的揣測，卻無法告訴我們：新舊09/01 10:36

19^F→yhliu: 藥的差距是大還是小，要知道這個，就要看樣本估計出的差異09/01 10:39

20^F→yhliu: 例如治癒率的差距，恢復程度指標差異等。但關於這些差距，09/01 10:41

21^F→yhliu: 我們希望知道的是群體的情形，而我們實際只能看到樣本的估09/01 10:43

22^F→yhliu: 計結果，於是將抽樣誤差考慮進去，有信賴區間或區間估計的09/01 10:45

23^F→yhliu: 概念，說在某百分比的信賴水準下，所論的指標或差距在某個09/01 10:48

24^F→yhliu: 範圍之內。而固定信賴水準的信賴區間，和固定顯著水準的檢09/01 10:51

25^F→yhliu: 定有對應關係，例如衡量差異的指標參數是 m，1-a 信賴水準09/01 10:53

26^F→yhliu: 下 m 的信賴區間如果包含特定值 m0，就表示依當前資料，在09/01 10:56

27^F→yhliu: 1-a 信賴水準下 m0 是 m 的一個合理猜測；所以在顯著水準 a09/01 10:57

28^F→yhliu: 之下，做 H0: m = m0 的檢定 H0 不應被拒絕；反之亦然。所09/01 11:02

29^F→yhliu: 以固定水準下的信賴區間，同時也可做相應水準下 H0:m=m009/01 11:04

30^F→yhliu: 對 Ha: m<>m0 的檢定；但信賴區間卻表明了所關心的差異指標09/01 11:06

31^F→yhliu: 可能範圍，所以說信賴區間比相應顯著水準下的檢定提供更多09/01 11:08

32^F→yhliu: 訊息。不過與 p 值相比，卻是難以比較。09/01 11:10

[問題] relations between FWER and FDR

[ Statistics ]13 留言, 推噓總分: 0

作者: saltlake - 發表於 2024/08/28 15:10(1年前)

1^F→yhliu: FWER 是假設要做的 k 個檢定其 H0 都成立，卻至少一個 H008/29 09:15

2^F→yhliu: 被拒絕的機率；FDR 是被拒絕的 H0 中，有夕少其實 H0 沒錯08/29 09:17

3^F→yhliu: 的比例。如果以疾病檢測來說，把每一個被檢測的人類比為待08/29 09:20

4^F→yhliu: 檢定的假說，FWER是＝（無病卻呈陽性）／（無病）08/29 09:22

5^F→yhliu: FDR = (無病卻呈陽性)/(陽性)。這是兩個不能相互比較的比例08/29 09:24

6^F→yhliu: 或條件機率。08/29 09:24

7^F→yhliu: 更正：上面以疾病檢測對FWER的說明是錯的;最初的說明是對的08/29 09:30

8^F→yhliu: 以疾病檢測來看，人數夠多幾乎必然出現假陽性，意謂FWER接08/29 09:31

9^F→yhliu: 近 1，就如同一篇研究報告做了數十甚至數百檢定，即使真實08/29 09:33

10^F→yhliu: 情況是所有 H0 都不應被拒絕，但實際上會出現一些 "顥著"08/29 09:35

11^F→yhliu: 結論是很正常的。在疾狷檢測，(假陽性)／(正常) 比例相當於08/29 09:37

12^F→yhliu: 單一假說檢定的型一誤機率，而 FWER 遠比這個大得多。08/29 09:39

13^F→yhliu: 但無論如何，FWER 和 FDR 是不能比較的兩個概念。08/29 09:41

首頁

尾頁