Fisher Kesin Testi ve Hipergeometrik Dağılım

Balıkçı testini daha iyi anlamak istedim, bu yüzden f ve m erkek ve kadına karşılık gelen ve n ve y "soda tüketimine" karşılık gelen aşağıdaki oyuncak örneğini tasarladım:

> soda_gender

    f m
  n 0 5
  y 5 0

Açıkçası, bu büyük bir basitleştirme, ama bağlamın önüne geçmesini istemedim. Burada sadece erkeklerin soda içmediğini ve kadınların soda içtiğini ve istatistiksel prosedürlerin aynı sonuca ulaşıp ulaşmadığını görmek istedim.

Balıkçı tam testini R'de çalıştırdığımda, aşağıdaki sonuçları elde ederim:

> fisher.test(soda_gender)
Fisher's Exact Test for Count Data

data:  soda_gender
p-value = 0.007937
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
 0.0000000 0.4353226
sample estimates:
odds ratio 
         0

Burada, p değeri 0.007937 olduğu için, cinsiyet ve soda tüketiminin ilişkili olduğu sonucuna varacağız.

Balıkçı testinin hipergeomterik dağılımla ilişkili olduğunu biliyorum. Ben de bunu kullanarak benzer sonuçlar elde etmek istedim. Başka bir deyişle, bu sorunları aşağıdaki gibi görüntüleyebilirsiniz: 5 top "erkek" olarak etiketlenir ve 5 "kadın" olarak etiketlenir ve değiştirilmeden rastgele 5 top çizersiniz ve 0 erkek top görürsünüz. . Bu gözlemin şansı nedir? Bu soruyu cevaplamak için aşağıdaki komutu kullandım:

> phyper(q=0,m=5,n=5,k=5,lower.tail=TRUE)
[1] 0.003968254

Sorularım: 1) İki sonuç nasıl farklı? 2) Yukarıdaki muhakememde yanlış veya titiz bir şey var mı?

fishers-exact hypergeometric clustering supervised-learning modeling econometrics r regression residuals heteroscedasticity independence distributions self-study matlab libsvm self-study conditional-probability conditional-expectation hypothesis-testing self-study multiple-comparisons mode statistical-significance chi-squared multiple-comparisons maximum-likelihood poisson-process optimization uncertainty genetic-algorithms bayesian model-selection overfitting maximum-likelihood optimization approximation r prediction model-evaluation r machine-learning survival neural-networks cox-model machine-learning bayesian bayesian-network hierarchical-bayesian pooling

— Alby
kaynak

Fisher'in kesin testi, masa kenar boşluklarına göre koşullandırılarak çalışır (bu durumda 5 erkek ve kadın ve 5 soda içen ve içmeyen). Sıfır hipotezinin varsayımları altında, bir erkek soda içen, erkek soda içmeyen, dişi soda içen veya dişi soda içmeyenlerin gözlemlenmesi için hücre olasılıkları, marj toplamları nedeniyle eşittir (0.25).

FET için kullandığınız özel tablonun tersi, 5 kadın soda içmeyen ve 5 erkek soda içiciden başka bir tablo yoktur. Böylece hipergeometrik yoğunluğunuzda elde ettiğiniz olasılığı iki katına çıkarmanın FET p-değerini verdiğini göreceksiniz.

— Adamo
kaynak

Meng'in phyper ve fisher.test (aynı şeyi yapan, ancak çok farklı bir arayüze sahip) ile ilgili notları

— Aditya