为什么在fisher.test()函数中得到的估计比数比与计算的比数比不同？

Question

这是我的应急表：

X
#      Yes   No
# Pre    5  685
# Post  17 1351

Fisher检验

fisher.test(X)

#        Fisher's Exact Test for Count Data

# data:  X
# p-value = 0.3662
# alternative hypothesis: true odds ratio is not equal to 1
# 95 percent confidence interval:
# 0.1666371 1.6474344
# sample estimates:
# odds ratio 
# 0.5802157

计算赔率比

P1<-5/(5+685)
P2<-17/(17+1351)
(P1/(1-P1))/(P2/(1-P2))
# [1] 0.5800773

为什么价值观是不同的？R中fisher检验函数是如何计算估计的优势比的？

Answer 1

查看fisher.test的底层代码，我看到

ESTIMATE <- c(`odds ratio` = mle(x))

就在这上面

mle <- function(x) {
            if (x == lo) 
                return(0)
            if (x == hi) 
                return(Inf)
            mu <- mnhyper(1)
            if (mu > x) 
                uniroot(function(t) mnhyper(t) - x, c(0, 1))$root
            else if (mu < x) 
                1/uniroot(function(t) mnhyper(1/t) - x, c(.Machine$double.eps, 
                  1))$root
            else 1
        }

如果不研究mle定义上的代码的所有细节，看起来fisher.test是在根据mnhyper (fisher.test1中定义的另一个函数)中定义的理论假设来求解赔率方程，而不是直接从数据中计算它。我怀疑如果我想得到一个完整的答案，我需要阅读?fisher.test中的参考资料

1在fisher.test中有几个函数，如dnhyper、mnhyper和pnhyper，它们似乎是非中心超几何分布的分布函数。