标签: p-value

使用从示例中获取的以下代码......我如何获得您在 Excel 等输出中找到的 p 值和 t-stat？

  OLSMultipleLinearRegression regression2 = new OLSMultipleLinearRegression();
  double[] y = { 4, 8, 13, 18};
  double[][] x = {{ 1, 1, 1  },
                  { 1, 2, 4  },
                  { 1, 3, 9  },
                  { 1, 4, 16  }};

  regression2.newSampleData(y, x);
  regression2.setNoIntercept(true);
  double[] beta = regression2.estimateRegressionParameters();

  for (double d : beta) {
     System.out.println("D: " + d);
  }

发布这个问题后，我解决了 t-stat 部分：

  for (int i=0; i < beta.length; i++){
     double tstat = beta[i] / regression.estimateRegressionParametersStandardErrors()[i];
     System.out.println("t-stats(" +i +") : …

我正在估计一些空间计量经济学模型,其中包含空间自回归项rho和空间误差项lambda.在尝试传达我的结果时,我使用的是texreg包,它接受我正在使用的sacsarlm模型.然而,我注意到,texreg打印相同的rho和lambda参数的p值.Texreg似乎返回model@LR1$p.value在模型对象的槽中找到的p值.

参数rho和lambda的大小不同,并且具有不同的标准误差,因此它们不应具有等效的p值.如果我在模型对象上调用summary,我会获得唯一的p值,但无法确定这些值在模型对象中的存储位置,尽管它遍历了str(model)调用中的每个元素.

我的问题是双重的:

1. 我是否正确认为这是texreg(和screenreg等)功能中的错误,或者我错误地解释了？
2. 如何计算正确的p值或在模型对象中找到它(我正在为texreg编写新的提取函数并需要找到正确的值)？

以下是显示问题的最小示例:

library(spdep)
library(texreg)
set.seed(42)
W.ran <- matrix(rbinom(100*100, 1, .3),nrow=100)
X <- rnorm(100)
Y <- .2 * X + rnorm(100) + .9*(W.ran %*% X)

W.test <- mat2listw(W.ran)
model <- sacsarlm(Y~X, type = "sacmixed",
                listw=W.test, zero.policy=TRUE)
summary(model)

Call:sacsarlm(formula = Y ~ X, listw = W.test, type = "sacmixed", 
    zero.policy = TRUE)

Residuals:
      Min        1Q    Median        3Q       Max 
-2.379283 -0.750922  0.036044  0.675951  2.577148 

Type: sacmixed 
Coefficients: …

尽管搜索了两天的相关问题，但我尚未真正找到该问题的答案...

在下面的代码中，我生成了n个正态分布的随机变量，然后将其表示为直方图：

import numpy as np
import matplotlib.pyplot as plt

n = 10000                        # number of generated random variables 
x = np.random.normal(0,1,n)      # generate n random variables

# plot this in a non-normalized histogram:
plt.hist(x, bins='auto', normed=False)    

# get the arrays containing the bin counts and the bin edges:
histo, bin_edges = np.histogram(x, bins='auto', normed=False)
number_of_bins = len(bin_edges)-1

之后，找到曲线拟合函数及其参数。它通常使用参数a1和b1进行分布，并使用scale_factor进行缩放，以满足样本未标准化的事实。它确实非常适合直方图：

import scipy as sp

a1, b1 = sp.stats.norm.fit(x)

scaling_factor = n*(x.max()-x.min())/number_of_bins

plt.plot(x_achse,scaling_factor*sp.stats.norm.pdf(x_achse,a1,b1),'b')

这是带有拟合功能的红色直方图。

在那之后，我想使用卡方检验来测试此函数对直方图的拟合程度。该测试使用这些点的观测值和预期值。为了计算期望值，我首先计算每个bin中间的位置，此信息包含在数组x_middle中。然后，我在每个bin的中间点计算拟合函数的值，从而得到了Expected_value数组：

observed_values = histo

bin_width = bin_edges[1] - …

我想从数据集中获取 pvalues。我在使用 pnorm 时没有遇到任何问题，但我现在遇到了。

data(iris)

iris[,-5]<- scale(as.matrix(iris[,-5]))

# K-Means Cluster Analysis
fit <- kmeans(iris[,-5], 5) # 5 cluster solution
# get cluster means 
aggregate(iris[,-5],by=list(fit$cluster),FUN=mean)
# append cluster assignment
mydata <- data.frame(iris, fit$cluster)

pval<- pnorm(iris[,-5])

在此之后，我收到“pnorm(q, mean, sd,lower.tail, log.p) 中的错误：数学函数的非数字参数”的消息。

问题是什么？我不明白为什么会这样。

请告诉我。

每次获得这些科学记数法时，如何获得常规 p 值（以小数位表示）？

我尝试了格式选项但仍然得到相同的结果

> format(1.3e-12, width=5)
[1] "1.3e-12"

这篇文章之前已经提出过这样的问题:用条形图表示使用R的统计学差异.但是,他们想知道如何使用ggplot2来做到这一点.我想知道你是如何使用基本包或函数barplot()来做到这一点的.我想要一些如下图所示的内容:

http://i.stack.imgur.com/3I6El.jpg

我目前的代码:

barcenter3<- barplot(newMEANs3$Percent_Viability, names.arg=c("Control", "Cyp28d1", "A3", "A4"), ylab = "Average Emergent",  ylim=c(0, 1.1), xlab= "RNAi Line", main = "Trip Nicotine UAS-RNAi Emergents")
segments(barcenter3, newMEANs3$Percent_Viability-newSDs3$Percent_Viability, barcenter3, newMEANs3$Percent_Viability+newSDs3$Percent_Viability, lwd=1);
segments(barcenter3 - 0.1, newMEANs3$Percent_Viability-newSDs3$Percent_Viability, barcenter3  + 0.1, newMEANs3$Percent_Viability-newSDs3$Percent_Viability, lwd=1);
segments(barcenter3 - 0.1, newMEANs3$Percent_Viability+newSDs3$Percent_Viability, barcenter3  + 0.1, newMEANs3$Percent_Viability+newSDs3$Percent_Viability, lwd=1);
dev.off();

我想添加p值比较对比度.

我使用包中的lmer()函数构建了一个混合效果模型lme4。由于lme4某些很好的哲学原因，该包不输出系数的 p 值。但是，我仍然需要在我的出版物中报告 p 值。我知道有多种方法可以使用由创建的模型来计算 p 值lmer()，例如这里。

我的问题是：我想使用包中的tidy()函数提取 p 值broom。在这里，我真的很想坚持，tidy()因为我想维护以下管道：

data_frame %>% group_by(grouping variables) %>% do(tidy(fitted_model))

一种选择是创建一个自定义函数并将其附加到管道中。但是，该broom软件包的手册页（http://rpackages.ianhowson.com/cran/broom/man/lme4_tidiers.html）说：

"p.value  P-value computed from t-statistic (may be missing/NA)". 

通过这个，我假设一个从 lmer 模型给出的 t 值计算 p 值的函数已经在 broom 中实现了。所以，我不愿意重新发明轮子。

问题是我根本没有得到名为 p.value 的列。我期待一个名为 p.value 的列，其中 NA 作为最坏的情况。

代码：

library(lme4)
library(broom)
lme <- lmer(Reaction ~ Days + (1 + Days | Subject), sleepstudy)
tidy(lme)
tidy(lme, effects = …

我有一个包含 32 个变量的数据框“math.numeric”。每行代表一个学生，每个变量都是一个属性。根据最终成绩，学生被分为5组。

数据如下：

head(math.numeric)
school sex age address famsize Pstatus Medu Fedu Mjob Fjob reason ... group
1      1   18  2       1       1       4    4    1    5    1          2
1      1   17  2       1       2       1    1    1    3    1          2
1      1   15  2       2       2       1    1    1    3    3          3
1      1   15  2       1       2       4    2    2    4    2          4
1      1   16  2       1       2       3    3    3    3    2          3
1      2 …

summary显示p.values的重要性代码.是否有一个R函数将p.value转换为重要性代码？例如:0.02 - > '*'和0.005 - > '**'？

我已经开始使用并喜欢绘制箱线图来表示我的数据。然而，我很难找到一种方法来对比这两个群体。使用Plotly时有没有办法引入数据之间的统计显着性比较？我想创建这样的图表：

其中 * 对应于 p 值 < 0.05，ns（不显着）对应于 p 值 > 0.05。我发现使用scipy.stats.ttest_ind()and stats.ttest_ind_from_stats()one 可以轻松找到两个分布的 p 值。

我在网上没有找到任何相关的帖子，我认为这是一个相当有用的实现，所以任何帮助将不胜感激！