Advertisement

分位数推断:置信区间、p值及检验——针对单样本与双样本(如治疗组与对照组)案例的改进方法-MATLAB开发

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


简介:
本文介绍了一种利用MATLAB进行分位数统计推断的新方法,包括改进后的置信区间估计和假设检验技术,适用于单样本及两组样本比较分析。 详细的文档包括进一步的说明和示例;只需键入“helpQuantile_inf”。下面简要描述功能及其理论基础:此代码实现了四种不同的分位数推断方法,分别是Hutson (1999)、bootstrap percentile-t、Kaplan (2011) 和 Kaplan and Goldman (2012)。在相关论文中可以找到第三种(即将是第四种)方法的理论和模拟结果。 该Matlab代码为一和两个样本设置以及一面和两面推断提供了假设检验(拒绝/不接受)、p值及置信区间。Hutson (1999) 中基于分数阶统计的精确方法在单样本情况下总是控制大小,并且比其他分析或引导方法具有明显更好的功效,即使对于小样本也是如此。这一结论是在对包括14种不同分布类型在内的多种模拟中得出的。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • p——-MATLAB
    优质
    本文介绍了一种利用MATLAB进行分位数统计推断的新方法,包括改进后的置信区间估计和假设检验技术,适用于单样本及两组样本比较分析。 详细的文档包括进一步的说明和示例;只需键入“helpQuantile_inf”。下面简要描述功能及其理论基础:此代码实现了四种不同的分位数推断方法,分别是Hutson (1999)、bootstrap percentile-t、Kaplan (2011) 和 Kaplan and Goldman (2012)。在相关论文中可以找到第三种(即将是第四种)方法的理论和模拟结果。 该Matlab代码为一和两个样本设置以及一面和两面推断提供了假设检验(拒绝/不接受)、p值及置信区间。Hutson (1999) 中基于分数阶统计的精确方法在单样本情况下总是控制大小,并且比其他分析或引导方法具有明显更好的功效,即使对于小样本也是如此。这一结论是在对包括14种不同分布类型在内的多种模拟中得出的。
  • Z、TT假设析.pptx
    优质
    本PPT详细探讨了统计学中常用的三种假设检验方法——双样本Z检验、双样本T检验和配对T检验,深入剖析其应用条件,并结合实例说明如何根据研究需求确定适当的样本量。 假设检验与样本数量分析——双样本Z、双样本T、配对T检验的介绍PPT。该文档涵盖了关于双样本Z检验、双样本T检验以及配对T检验的相关内容。
  • 带有Bonferroni校正T行多比较-MATLAB
    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。
  • Matlab代码】Wilcoxon:两非参
    优质
    本资源提供了一段使用MATLAB编写的代码,用于执行Wilcoxon符号秩检验,以比较两组配对样本之间的差异,无需假设数据分布。 【Matlab代码】Wilcoxon:用于两个配对样本的非参数 Wilcoxon 检验。
  • Twostone: 一观测t - MATLAB
    优质
    Twostone是一款MATLAB工具箱,用于执行单一观测值条件下的双样本t检验,适用于小样本量的数据对比分析。 当其中一个样本只有一个观察值时,这个 m 文件执行双样本学生 t 检验。输入参数包括:x - 样本之一的矢量数据;y - 另一个样本的一个数据点;alpha - 显著性水平(默认为 0.05)。输出结果是学生 t 检验的完整表格。
  • :估算连续函幅度-MATLAB
    优质
    本MATLAB项目提供了一种算法,用于在信号处理中估计连续函数的峰值位置和幅度。该方法特别适用于分析采样数据间的细微变化,提高数据分析精度。 有时重要的是能够估计样本之间的采样连续函数的峰值。这种技术称为子样本峰值插值,在雷达、延迟估计和通信领域有着广泛应用。通常情况下,我们会将模型拟合到采样数据上,并找到该模型的最大值点。我所使用的两种模型是抛物线和高斯曲线,这两种方法各有三个参数并且可以精确地与三组样本进行匹配(即使这些样本的分布并不均匀),同时它们还提供了解析形式的解法作为额外的优势。这个包演示了这一过程,并包括两个实例:一个展示了如何找到非等间距采样数据中函数的最大值点;另一个则展示了一个延迟估计的例子,强调了子样本精度的重要性。
  • 攻击
    优质
    本研究聚焦于对抗样本对机器学习模型的安全威胁,深入剖析其生成原理与攻击模式,旨在提升模型鲁棒性。 要实现对抗样本攻击,请运行test.py文件。如果想测试其他图片,可以修改代码中的图片路径。
  • Matlab:基于Wilcoxon两配非参
    优质
    本项目利用MATLAB实现基于Wilcoxon秩和检验的两配对样本非参数统计分析,适用于比较相关样本间差异,无需数据正态分布假设。 Wilcoxon 检验用于评估配对样本之间的差异,并是一个非参数检验方法。当差值小于15时,算法会计算精确的秩分布;否则它使用正态分布近似。现在,MatLab 函数 SIGNRANK 返回相同的 p 值。然而,这个 Wilcoxon 函数提供了更详细的输出结果(这是发表论文所需的内容)。语法为:STATS=WILCOXON(X1,X2,PLTS)。 输入参数包括: - X1 和 X2 - 数据向量。 - ALPHA - 显著性水平,默认值为0.05。 - PLTS - 如果您不想 (设置为 0) 或想要 (设置为 1) 查看绘图,则可以设定该标志输出。 输出结果会根据使用的分布有所不同: - 当使用精确等级分布时,返回 W 值和 p 值。 - 使用正态分布近似时,提供 W 值、Z 值、标准差(平均值为 0)及相应的 p 值。如果指定了 STATS nargout,则结果将存储在 STATS 结构中。 示例: X1=[77, 79, 79, 80, 80, 81, 81, 81, 81]
  • 目标综述
    优质
    本文为读者提供了一篇关于目标检测领域中对抗样本问题的全面回顾。文章总结了对抗攻击与防御策略,并探讨了未来的研究方向和挑战。 目标检测技术在工业控制、航空航天等领域具有重要意义。近年来,随着深度学习在该领域的应用,目标检测的精度显著提高。然而,由于深度学习本身的脆弱性,基于深度学习的目标检测技术面临着可靠性和安全性的新挑战。
  • 目标综述
    优质
    本文为一篇关于针对目标检测任务中对抗样本的研究综述。文中全面总结了近年来该领域的研究进展、主要方法及应用,并探讨未来的发展趋势和挑战。 目标检测是一项在工业控制、航空航天等领域至关重要的技术。近年来,随着深度学习在这一领域的应用,目标检测的精度有了显著提升。然而,由于深度学习本身存在固有的脆弱性问题,基于深度学习的目标检测技术面临着可靠性与安全性的新挑战。