Advertisement

Bonferroni-Holm方法：用于控制家族-wise误差率的多重比较和假设检验校正工具

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：Bonferroni-Holm方法是一种统计学技术，旨在通过调整显著性水平来减少I型错误，在进行多个假设检验时有效控制家庭-wise误差率。 Bonferroni-Holm（又称Holm-Bonferroni）方法用于确定一系列假设在控制家庭错误率(FWE)后是否仍然显著，并进一步控制错误发现率(FDR)。此方法较传统的Bonferroni校正不那么保守，因此更有可能保留显着的p值。该函数接收一个或多个假设产生的原始p值作为输入，并提供经过FWE调整后的p值以及逻辑数组，用于指示在设定alpha水平（如0.05）下哪些p值得到显著性确认。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Bonferroni-Holm方法：用于控制家族-wise误差率的多重比较和假设检验校正工具
    优质
    简介：Bonferroni-Holm方法是一种统计学技术，旨在通过调整显著性水平来减少I型错误，在进行多个假设检验时有效控制家庭-wise误差率。 Bonferroni-Holm（又称Holm-Bonferroni）方法用于确定一系列假设在控制家庭错误率(FWE)后是否仍然显著，并进一步控制错误发现率(FDR)。此方法较传统的Bonferroni校正不那么保守，因此更有可能保留显着的p值。该函数接收一个或多个假设产生的原始p值作为输入，并提供经过FWE调整后的p值以及逻辑数组，用于指示在设定alpha水平（如0.05）下哪些p值得到显著性确认。
     
  • MATLAB开发——多组比较的Bonferroni-Holm校正公式
    优质
    本文章介绍了如何在MATLAB中实现Bonferroni-Holm校正方法，用于调整多重假设检验中的p值，确保统计显著性结论的有效性和可靠性。 在MATLAB开发过程中使用Bonferroni-Holm方法调整多个比较的P值族，以控制错误拒绝的概率。
     
  • Holm-Sidak t 检验：多重比较的应用 - MATLAB开发
    优质
    本项目介绍并实现了Holm-Sidak t检验方法，用于在MATLAB中进行多重比较校正，有效控制假阳性的发现率。适合需要同时比较多个样本均值的研究者使用。 Student t 检验仅适用于比较两组数据。如果有 k 个组，则不能对每一对使用 t 检验，因为在每次检验都设定 alpha=0.05 的情况下，当实际上没有差异时，找到差异的概率会达到 k*0.05（根据邦费罗尼不等式）。Holm-Sidak 检验是一种逐步递减的拒绝方法，在此过程中按照 p 值从低到高的顺序对一组零假设应用接受或拒绝的标准。每次比较都依据 Sidak 校正来设置 Bonferroni 不等式的 alpha 值。由于这个函数使用 TCDF 函数，所以需要 Statistics Toolbox 的支持。
     
  • 带有Bonferroni校正的T检验：进行多组样本间的成对比较-MATLAB开发
    优质
    本项目提供了一个MATLAB工具箱，用于执行带Bonferroni校正的T检验，实现多个样本组之间的成对比较。适用于控制多重假设检验中的错误发现率。 该函数可以用于在样本数据组之间进行多重比较，并使用Bonferroni校正来确保所有差异的总错误率低于某个ALPHA值。例如，在一个实验中，有四名患者的体温分别在早上8点、中午和下午5点进行了测量。此功能可用于检验这些时间点之间的温度是否存在显著差异：即上午8点与中午之间、中午与下午5点之间以及上午8点与下午5点之间的比较。
     
  • 多重比较的方差分析
    优质
    《多重比较的方差分析》是一篇探讨统计学中用于处理多个样本均值间差异显著性检验方法的文章。文中详细介绍了如何在进行方差分析后，进一步执行多重比较测试以识别特定组间的区别。 介绍几种常用的方差分析多重比较方法：LSD（最小显著差异法）、LSR（最小显著范围法）等等。
     
  • ROC比较: DeLong方法的快速版本，用于计算未校正AUC的协方差
    优质
    本研究提出了一种DeLong方法的高效变体，专门针对未调整AUC值的协方差计算进行了优化，适用于大规模数据分析场景。 用于通过ROC AUC比较两组预测的统计显著性的算法的Python实现。还可以计算单个ROC AUC估计值的方差。
     
  • 基于多级条纹级次修正的相位误差校正方法
    优质
    本研究提出了一种创新的相位误差校正技术，通过多级条纹级次修正来提高光学测量精度和可靠性。该方法有效解决了传统技术中的局限性，为高精度测量提供了新的解决方案。 针对多频外差解相法中存在的相位跳跃性误差问题，本段落提出了一种基于多级条纹级数修正的相位误差校正方法。首先通过叠加条纹的相位周期进行第一级粗略修正，以有效避免由伽马效应及取整函数引起的连续累积和传递性的相位跳跃误差。随后优化了取整函数，并利用绝对误差相位对初始条纹级数进行了第二级精确修正。依据此后的调整结果来计算出更加准确的目标绝对相位值。实验结果显示，采用该方法校正后生成的三维重构模型表面平滑、细节清晰无明显色斑或色块现象，显著减少了相位跳跃误差的影响，并增强了结构光三维测量系统的鲁棒性。
     
  • 自校正算法（误差校正）.zip
    优质
    本资源提供了一种先进的自校正算法，旨在实时检测和修正系统中的误差。通过持续学习与优化，该算法能够显著提高系统的稳定性和准确性。 自校正算法代码包含误差矩阵函数以及自相关计算等相关功能的实现。
     
  • 邓恩检验：多重非参数比较的邓恩方法-MATLAB开发
    优质
    本项目提供了一种实现邓恩检验的方法，这是一种用于进行多重非参数比较的有效统计手段。通过MATLAB编程语言，用户可以方便地对实验数据进行分析，尤其是在需要评估多个样本间秩差异的情况下。该工具支持批量处理和结果可视化，适用于科研及数据分析领域专业人士使用。 Dunn 检验是 Holm-Sidak 多重 t 检验的一种非参数替代方法。当您使用 Kruskal-Wallis 检验确定各组间存在差异后，由于总体误差大于 alpha（根据邦费罗尼不等式），不能直接对每一对进行 KWtest。而通过 Dunn 的测试，则可以利用多重比较来突出显示具体哪些组之间存在显著差异。该算法需要使用统计工具箱。
     
  • Multipy：Python中进行多重假设检验
    优质
    Multipy是一款专为Python设计的库，专注于执行复杂的多重假设检验。它简化了统计分析过程，帮助研究人员有效控制错误发现率，适用于广泛的研究领域。 多重测试而未校正相应的p值会增加假阳性结果的数量。尽管这个问题是众所周知的，但经典和高级的校正方法尚未在统一的Python包中实现。该软件包旨在通过实施控制家族错误率（FWER）和错误发现率（FDR）的方法来填补这一空白。 关于此软件的文章已发表，并且其预印本也已在相关平台上发布。此外，MultiPy作为海报在芬兰于韦斯屈莱的会议上展出，在神经科学研讨会上也有介绍，还在赫尔辛基大学进行了展示。