Gözlenen ve beklenen olayları nasıl karşılaştırırım?


9

Diyelim ki 4 olası olayın sıklık örneğine sahibim:

Event1 - 5
E2 - 1
E3 - 0
E4 - 12

ve olaylarımın gerçekleşmesi için beklenen olasılıklarım var:

p1 - 0.2
p2 - 0.1
p3 - 0.1
p4 - 0.6

Dört olayın gözlemlenen frekanslarının toplamı ile (18) Olayların beklenen frekanslarını hesaplayabilir miyim?

expectedE1 - 18 * 0.2 = 3.6
expectedE2 - 18 * 0.1 = 1.8
expectedE1 - 18 * 0.1 = 1.8
expectedE1 - 18 * 0.6 = 10.8

Gözlenen değerleri beklenen değerlerle nasıl karşılaştırabilirim? olasılıklarımın iyi öngörücüler olup olmadığını test etmek için?

Ki-kare testi düşündüm, ancak sonuç örnek boyutu (n = 18) ile değişir, yani gözlemlenen değerleri 1342 ile çarpar ve aynı yöntemi kullanırsam sonuç farklıdır. Belki bir wilcox eşleştirilmiş testi işe yarıyor, ama ne öneriyorsunuz?

R önerebilir, daha iyi olurdu.

r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 

Yanıtlar:


4

Tüm değerleri çarptığınızda farklı sonuçlar elde ettiğinizi belirtmişsinizdir . Bu sorun değil. Sen gerektiğini çok farklı sonuçlar elde ederler. Bir madeni para çevirirseniz ve kafaları gelirse, bu çok fazla bir şey söylemez. Bir madalyonu kez çevirirseniz ve her seferinde kafa alırsanız, madalyonun adil olmadığını gösteren çok daha fazla bilgiye sahipsiniz.13421342

Genellikle , kategorilerinizin büyük bir yüzdesinde (örneğin, en az ) beklenen oluşum sayısı çok düşük olduğunda (örneğin, altında ) bir testine alternatifler kullanmak istersiniz . Bir olasılık olduğunu Fisher'in kesin testi olduğu, R uygulanan . Sen görebilirsiniz Fisher'in kesin testi bir yaklaşım olarak testi ve daha beklenen sayımları büyük olduğunda yaklaşım sadece iyidir.χ2520%χ2


Teşekkürler, bunun için hangisi daha iyi: sadece balıkçı testi? veya p simüle değeri olan balıkçı testi? ve neden?
Juan

Simülasyon, küçük olabilecek ancak küçük değerler için gerekli olmayan hatalar getirir. Eğer varsa kategorileri ve nesneleri ardından olası sonuçlar sayısıdır . Bu bilgisayar standartlarına göre küçük olduğunda (belki de az ) o zaman sadece tam hesaplamaları kullanırdım. Kesin hesaplamalar yavaşsa, simülasyon hatalarını test edin ve hız artışı için kabul edilebilir olup olmadığına bakın. kn(n+k-1n)107
Douglas Zare
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.