- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉理论及其实现
Tukey法
在介绍Tukey方法前，首先了解学生化极差分布。在概率论和统计学中，学生化极差分布是极差的抽样分布。该分布是一种连续型概率分布，用于在样本量较小且总体标准差未知的情况下估计正态分布总体的极差。
1.3K20编辑于 2022-09-03 - 来自专栏全栈程序员必看
Cooley-Tukey算法 （蝶形算法）
Cooley－Tukey算法差别于其它FFT算法的一个重要事实就是N的因子能够随意选取。这样也就能够使用N＝r S的Radix－r算法了。
1.5K30编辑于 2021-12-03 - 来自专栏R语言数据分析指南
[GCB图表复现] 多组间方差分析热图
~ group,data=p[i] %>% as.data.frame() %>% set_colnames(c("phylum","value","group"))) Tukey <- TukeyHSD(anova) cld <- multcompLetters4(anova,Tukey) dt <- p[i] %>% as.data.frame() %>% ungroup() %>% as.data.frame() %>% drop_na() cld <- as.data.frame.list(cld$`group`) dt$Tukey phylum","group")) %>% ggplot(aes(group,phylum,fill=value))+ geom_tile()+ geom_text(aes(label=Tukey
38210编辑于 2023-12-04 - 来自专栏生信技能树
十步搞定单因素方差分析
第9步：判断是否显著 1-pf(f,2,1215) 现在我们已经知道了，在选定的显著水平为0.05时候，这个F统计是显著的，但是仍然是不知道哪组之间不一样， 所以可以选择tukey检验 第10步：进行tukey 检验,多重比较 J·W·图凯（Tukey）于1953年提出一种能将所有各对平均值同时比较的方法，这种方法现在已被广泛采用，一般称之为“HSD检验法”，或称“W法”。 Tukey (John Wilder Tukey) for multiple comparisons 主要应用于3组或以上的多重比较。 比如说一共有4组数据，两两比较产生6个统计值，Tukey test用于生成一个critical value来控制总体误差（Familywise error rate，FER）;与Tukey test相类似的是
1.2K50发布于 2019-05-15 - 来自专栏R语言数据分析指南
ggplot2绘制方差分析条图叠加散点图
, Plant=Plant, Type=Type, conc=conc, uptake=uptake) anova <- aov(uptake ~ Type, data = data) Tukey <- TukeyHSD(anova) cld <- multcompLetters4(anova, Tukey) dt <- data %>% group_by(Plant, Type .groups = 'drop') %>% arrange(desc(value_mean)) cld <- as.data.frame.list(cld$`Type`) dt$Tukey (values=wes_palette("Zissou1"))+ scale_y_continuous(expand = expansion(0))+ geom_text(aes(label=Tukey color = NA, show.legend = FALSE,position = position_dodge(0.5))+ geom_text(aes(label=Tukey
62831编辑于 2023-11-13 三组数据还用ANOVA？你的统计可能从一开始就错了！
如果ANOVA显著（p < 0.05），说明有差异存在，此时可以进一步进行事后检验，如 Tukey‘s HSD，来找出具体是哪两组不同。 跑 （Welch）One-way ANOVA 做总体检验；若显著，再做 事后比较：所有两两比较 → Tukey（不等方差/不等样本 → Games-Howell）；只和对照比 → Dunnett。 GraphPad操作背后的真相当你在GraphPad里选择ANOVA并勾选“Tukey‘s multiple comparisons”时，软件实际上在后台独立运行了两套计算：一套全局ANOVA（给出F值和 一套完整的Tukey检验（给出所有两两比较的校正后p值）。Tukey检验本身就是一个完整的、独立的检验体系，它并不需要ANOVA的“显著”结果来授权！
29910编辑于 2025-10-17- 来自专栏华章科技
机器学习Lasso算法的前世今生
Tukey(1915-2000)后来把Jackknife正式发表出来了（1958）。Tukey是FFT的发明者， 也是钟开莱Kai Lai Chung的导师。 Tukey Tukey的工作影响了Jerome H. Friedman，这个伯克利毕业的学物理的家伙，几经周折谋取到了斯坦福的统计教授（1982-）。 Tibshirani发明了LASSO算法， 他的老板是Bradley Efron， Efron这个家伙提出了 bootstrap方法(1979, 1981(Bayesian extension))，也正是受到了Tukey
78020发布于 2018-08-16 - 来自专栏R语言数据分析指南
箱线图进行方差分析并添加显著性标记
group,data=p[i] %>% as.data.frame() %>% set_colnames(c("group","name","value"))) Tukey <- TukeyHSD(anova) cld <- multcompLetters4(anova,Tukey) dt <- p[i] %>% as.data.frame() %>% arrange(desc(value_mean)) %>% as.data.frame() cld <- as.data.frame.list(cld$`group`) dt$Tukey 0.3,0.3,0.3,0.3),units=,"cm")) } 数据可视化 make_plot(df,group,value,col)+ geom_text(data=text,aes(label=Tukey
1.8K20编辑于 2022-09-21 - 来自专栏R语言数据分析指南
ggplot2优雅的进行批量绘图-多版本代码
width = 0.8) + geom_quasirandom(aes(colour = continent), size = 0.5) + geom_text(aes(label = Tukey = "black", size = 6, face = "bold")) + guides(x.sec = "axis", y.sec = "axis") } # 分割数据并进行ANOVA和Tukey $year) %>% map_dfr(~{ anova <- aov(lifeExp ~ continent, data = .x) tukey_result <- TukeyHSD (anova) cld <- multcompLetters4(anova, tukey_result) # 提取显著性标记并添加到数据中 .x %>% group_by (continent, year) %>% summarise(lifeExp = max(lifeExp), .groups = 'drop') %>% mutate(Tukey
52610编辑于 2024-06-18 - 来自专栏小樱的经验随笔
快速傅里叶变换（FFT）算法【详解】
我打开一本老旧的算法书，欣赏了JW Cooley 和 John Tukey 在1965年的文章中，以看似简单的计算技巧来讲解这个东西。 本文的目标是，深入Cooley-Tukey FFT 算法，解释作为其根源的“对称性”，并以一些直观的python代码将其理论转变为实际。我希望这次研究能对这个算法的背景原理有更全面的认识。 Cooley 和 Tukey 正是使用这种方法导出FFT。 首先我们来看下 ? 的值。根据上面的表达式，推出： ? 对于所有的整数n，exp[2π i n]=1。 DFT 到 FFT： 利用对称性 Cooley 和 Tukey 证明了，DFT的计算可以分为两部分。从DFT的定义得： ? 我们将单个DFT分成了看起来相似两个更小的DFT。一个奇，一个偶。 并且Cooley-Tukey算法还能够使其分成超过两部分（正如我们这里用到的Cooley-Tukey FFT基2算法），而且，其它更为先进的FFT算法或许也可以能够得到应用，包括基于卷积的从根本上不同的方法
5.5K90发布于 2018-04-09 - 来自专栏全栈程序员必看
快速傅里叶变换（FFT）算法【详解】[通俗易懂]
我打开一本老旧的算法书，欣赏了JW Cooley 和 John Tukey 在1965年的文章中，以看似简单的计算技巧来讲解这个东西。 本文的目标是，深入Cooley-Tukey FFT 算法，解释作为其根源的“对称性”，并以一些直观的python代码将其理论转变为实际。我希望这次研究能对这个算法的背景原理有更全面的认识。 Cooley 和 Tukey 正是使用这种方法导出FFT。 首先我们来看下 的值。根据上面的表达式，推出： 对于所有的整数n，exp[2π i n]=1。 DFT 到 FFT： 利用对称性 Cooley 和 Tukey 证明了，DFT的计算可以分为两部分。从DFT的定义得： 我们将单个DFT分成了看起来相似两个更小的DFT。一个奇，一个偶。 并且Cooley-Tukey算法还能够使其分成超过两部分（正如我们这里用到的Cooley-Tukey FFT基2算法），而且，其它更为先进的FFT算法或许也可以能够得到应用，包括基于卷积的从根本上不同的方法
8.6K40编辑于 2022-09-07 - 来自专栏小明的数据分析笔记本
python单因素方差分析实例
多重检验 比较常用的检验方法是邓肯多重检验（Tukey HSD test） from statsmodels.stats.multicomp import MultiComparison mc = MultiComparison (df_melt['Value'],df_melt['Treat']) tukey_result = mc.tukeyhsd(alpha = 0.5) print(tukey_result) Multiple Comparison of Means - Tukey HSD,FWER=0.50 ============================================= group1 group2
3.3K10发布于 2020-03-03 - 来自专栏booth
转：fft算法（快速傅里叶变换算法）
而 FFT 算法则是通过 Cooley-Tukey 算法，使用了分治思想，将复杂度降低到了 O(N log N)。使用 FFT 算法进行频域分析可以用来做诸如音频信号处理、图像压缩、通信系统等领域。 FFT 算法有很多种实现方式，其中常用的有:基于递归的 Cooley-Tukey 算法基于迭代的 radix-2 算法基于迭代的 Bluestein 算法 这些算法都有各自的优缺点，根据实际应用场景来选择使用
71760编辑于 2023-07-04 - 来自专栏小明的数据分析笔记本
R语言单因素方差分析简单小例子
tukey.test<-TukeyHSD(one.way) plot(tukey.test) ? image.png 上图的线只要跨0那条虚线说明没有差异。
2.1K20发布于 2020-08-10 - 来自专栏菜鸟学数据分析之R语言
R语言-多重比较
TukeyHSD成对组间比较： > TukeyHSD(fit) Tukey multiple comparisons of means 95% family-wise confidence library(multcomp) par(mar=c(5,4,6,2)) tuk <- glht(fit,linfct=mcp(trt="<em>Tukey</em>")) plot(cld(tuk,level=.05
1.5K30发布于 2020-08-06 - 来自专栏拓端tecdat
SAS中用单因素ANOVA研究不同疗法对焦虑症的有效性
我们可以进行方差分析并查看以下结果： proc anova data=anova; class treatment; model anxiety = treatment; means treatment / tukey 该means语句将提供所有成对比较，并使用Tukey方法调整p值。 这将为我们提供下图： 常态看起来不错。方差齐次性假设似乎令人怀疑（可以测试）。
51100发布于 2020-08-21 - 来自专栏机器学习与统计学
【温习统计学】均数间的多重比较的方法的选择
比如，需要进行多个实验组和一个对照组比较时，可采用Dunnett法；如需要进行任意两组之间的比较而各组样本的容量又相同时，可采用Tukey法；若各组样本的容量不相同时，可采用Scheffe法；若事先未计划进行多重比较 应当指定对照组； 10、S-N-K法：它是根据预先制定的准则将各组均数分为多个子集，然后利用Studentized Range分布进行假设检验，并根据均数的个数调整总的犯一类错误的概率不超过α； 11、Tukey
3K20发布于 2019-04-10 - 来自专栏微生态与微进化
经典方差分析：手把手教你读懂、会用1
，通过两端非重叠数据个数计算Q值进行检验），在R中使用agricolae包中的SNK.test()函数可以进行分析，S-N-K法是多重比较方法中检验尺度较严格的方法，易使样品间检验不显著； 图基检验：Tukey 检验法，也称作Tukey HSD，q检验法，特别适合样本量小于10的多重样本比较，在R中使用TukeyHSD()函数或者agricolae包中的HSD.test()可以进行分析； Duncan检验：是基于 具体分析方法如下： #对方差分析结果进行图基（Tukey）检验 TukeyHSD(fit) 函数直接返回了校正后的p值。 multcomp包中的glht()函数功能更加强大，下面我们进行分析并作图展示： #对方差分析结果进行图基（Tukey）检验 library(multcomp) tuk=glht(fit, linfct 接下来进行多重检验，分析具体药物剂量水平的差异： library(multcomp) tuk=glht(fit, linfct=mcp(dose="Tukey")) summary(tuk) 可以看到只有一组是显著的
4.4K21编辑于 2022-05-05 - 来自专栏优雅R
「分享」差异分析完整解决方案：Easystat
aovMcomper result= aovMcomper (data = data_wt, i= 6,method_Mc = "Tukey") # 提取多重比较结果 result[[1]] # groups 点柱图-完美解决柱状图无法展示样本信息的缺陷 result= aovMcomper (data = data_wt, i= 6,method_Mc = "Tukey") # # 提取多重比较结果 result FacetMuiPlotresultBar # # #使用案例 result = MuiaovMcomper(data = data_wt,num = c(4:7),method_Mc = "Tukey MuiStat #使用案例 result = MuiStat(data = data_wt,num = c(4:7),method_cv = "leveneTest",method_Mc = "Tukey result = MuiStat(data = data_wt,num = c(4:7),method_cv = "leveneTest",method_Mc = "Tukey",sig_show =
2.7K10发布于 2020-07-03 - 来自专栏机器学习/数据可视化
pyecharts-10-箱型图绘制
什么是箱型图 发明者 箱图的发明者John Tukey。Tukey先生1915年出生于美国麻省的新贝德福德。他22岁的时候在布朗大学获得了硕士学位，之后又在普林斯顿大学拿到了化学博士。 从此，Tukey改变了自己的人生方向，一代统计学大师即将出现。
2.3K30发布于 2021-03-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号