- 综合排序
- 最热优先
- 最新优先
- 来自专栏医学和生信笔记
ROC（AUC）曲线的显著性检验
二分类资料的ROC比较 可以通过pROC包实现的，使用其中roc.test()函数可实现两个ROC 的Delong检验。 text(50, 50, labels=paste("p-value =", format.pval(testobj$p.value)), adj=c(0, .5)) 当然你也可以用其他非参数检验的方法进行比较 ，比如mann whitney u检验（一家之言）。
1.9K20编辑于 2022-11-15 - 来自专栏医学和生信笔记
C-statistic的显著性检验
二分类资料C-index的比较 二分类资料的AUC和C-index是一样的，可以参考AUC的比较：ROC（AUC）曲线的显著性检验。
1.1K20编辑于 2022-11-15 - 来自专栏YoungGy
统计学_显著性检验综述
显著性检验概述 关于统计的一些问题 关于独立 关于自由度 参数检验与非参数检验概述 联系与区别 优缺点 非参数适用情况 参数检验 正态总体均值的假设检验 正态总体方差的假设检验 二项分布总体的假设实验 非参数检验 单样本非参数检验 卡方检验 适配度检验 列联表独立性检验 双样本分布关系 ks检验 单样本是否符合某一分布 双样本检验是否为同一分布 与卡方适配度检验的区别 二项分布检验 变量值随机性检验 Kendall协同系数检验 参考资料 显著性检验概述 显著性检验，即使用样本的数据去推断关于群体数据的描述是否正确。 在相同个体上的两次实验，属于变化显著性检验。 检验分析的变量必须是二值变量，有一定局限性。 如果概率P值小于给定的显著性水平0.05，则拒绝原假设，认为各组样本的秩存在显著差异，多个配对样本来自的多个总体的分布有显著差异；反之，则不能拒绝原假设，可以认为各组样本的秩不存在显著性差异。
2.8K30发布于 2019-05-26 - 来自专栏育种数据分析之放飞自我
如何检测遗传相关的显著性：LRT检验操作方法
软件实现遗传相关计算 3.1 数据格式 前三列是系谱，有3个性状： y1, y2, y3 , 想要计算y1和y3的遗传相关，并用LRT检验显著性 ? 3.2 计算加性方差逆矩阵 ? 3.3 构建模型 LRT检验中，需要构建两个模型，一个考虑加性协相关的模型（us矩阵），一个不考虑加性协相关的模型（diag矩阵），然后使用LRT检验做分析，查看显著性，即为相关的显著性分析。 软件实现遗传相关显著性LRT检验 定义： ? 代码实现： ? 结果可见，遗传相关不显著。 5. 示例代码汇总 软件：asreml4-r 里面的vpredict函数可以替换pin函数，里面的lrt.asreml可以进行两模型的LRT检验。 trait_y3:y3 289.76086 399.43870 0.7254201 P 0.2 # 检测遗传相关的显著性 lrt.asreml(mod1,mod2) # Likelihood
1.8K20发布于 2019-09-17 - 来自专栏气象学家
科研实战 | 基于CMIP6温度空间趋势图绘制并叠加显著性检验之方法一
1、前言 今天介绍的是基于CMIP6数据，绘制温度空间趋势图，并叠加显著性检验。文末附有源代码和nc文件下载路径，感兴趣的筒子们可以试试。 空间趋势图是研究气象气候领域最常用的研究方法之一，可以从空间上看出不同区域的空间分布差异，而且通过显著性检验可以看出不同区域，那些区域变化比较显著。 6、绘制显著性检验图 画完了趋势图，我们再在此基础上标注显著性检验的结果，同样，我们先上代码： c1b = ax.contourf(cmip6.lon, cmip6.lat, p_value,[np.min ccrs.PlateCarree()) 其实也很简单，还是一行代码解决问题，下面稍微解释一下（前三个参数不解释了，往上看）：[np.min(p_value),0.05,np.max(p_value)] 表示95%的检验 它把p_value的值划分为两个区间，一部分是p_value中的最小值到0.05（即5%），另外一部分是0.05到p_value的最大值，配合hatches参数，就表示，p_value的最小值到5%的检验区间
6.6K86发布于 2021-05-20 - 来自专栏云深之无迹
推断统计-假设检验(我拒绝你的假设，而且有95%的显著性说明你是渣男）
我们把这类问题称为假设检验问题(Hypothesis Tests)。 对总体的某种规律提出一个假设，通过样本数据来推断，决定是否拒绝这一假设，这样的统计活动称为假设检验。 然后使犯第二类错误的概率尽可能小，叫显著性检验。 费希尔把此处选择的0.05称为显著性水平。 小概率事件说的是： 小概率事情发生的时候，我们只能说“有把握”或是有95%的把握拒绝原假设H0（就是更加详细了） 上面的显著性的值也没有那么死，就是你可以自己选定显著性水平 猜对一个和九个，我们都说她有这个分辨的本事 接下来是t检验，S方是样本的方差（这段我目前学的不好） 常用t来检验 https://bookdown.org/hezhijian/book/author.html
39910编辑于 2024-08-29 - 来自专栏连享会
稳健性检验！稳健性检验！
什么是稳健性检验？ 论文中，我们常常要求要做稳健性检验，那么什么是稳健性检验呢？ 在较早的文献中，一般很少涉及稳健性检验，但近年来，大家对稳健性检验的重视程度越来越高，这也体现了大家对所得结论准确性的要求越来越高。做好稳健性检验，是使结论得到广泛接受的重要步骤之一。 如果我们发现 A 不成立，那么我们则应该在稳健性检验中用 E 方法重新检验. 在稳健性检验中，我们可以通过扩宽时间长度或者缩短时间长度来检验我们的结论。 Stata：一行代码实现安慰剂检验-permute acreg：允许干扰项随意相关的稳健性标准误 aoeplacebo：地理安慰剂检验 专题：倍分法DID 多期DID之安慰剂检验、平行趋势检验 专题：内生性
4.3K30编辑于 2022-05-12 - 来自专栏全栈程序员必看
t检验和u检验_均匀性检验界值表
是计数资料主要的显著性检验方法。用于两个或多个百分比(率)的比较。常见以下几种情况：四格表资料、配对资料、多于2行*2列资料及组内分组X2检验。 用于计数资料。 那么检验对于我们确认结果非常的重要，也是评价我们的结果是否拥有价值的关键因素。所以要做统计检验。 t检验，t检验主要是检验单个ols估计值或者说是参数估计值的显著性，什么是显著性？ 也是用F和LM联合检验来检验显著性。如果通过那么不存在异方差，否则存在。 u检验的判断结论：对给定的显著性水平α，查正态分布表，当α＝0.05、0.01时，临界值分别为1.96、2.58。 当｜u｜＜1.96时，P＞0.05，不拒绝H0，差异不具显著性；当1.96≤｜u｜≤2.58时，P≤0.05，拒绝H0，差异具显著性；当｜ u ｜ ≥2. 58时，P≤0.01，拒绝H0，差异具高度显著性
3.3K30编辑于 2022-11-15 - 来自专栏AI研习社
基于显著性的图像分割
Gupta等人而是使用显著性方法去预测感兴趣的区域。然而他们的显著性方法非常复杂，结合了三种显著性算法的结果。其中一种算法使用了卷积神经网络，这是一种我希望为了简单实现而避免使用的技术。 与确定图像中的超像素并行地，计算图像的显著图使用了两种不同的显著性方法。第一种方法使用了内置的OpenCV方法，叫细粒度显著性。 使用细粒度方法产生的水桶和人的显著性图 ? 使用积极显著性产生的水桶和人的显著性图 以下的技术是从Gupta等人的论文中挖掘出来的。为了对图像进行二值化，通过迭代从彩色图像生成每个超像素。 细粒度显著性方法（左）和二值化Aggressive显著性方法扩张后的水桶图像 最后一步又取决于使用哪种显著性方法。在这两种方法中，都提取了白色像素最大的区域。 结果 在这两种方法中，Aggressive显著性图似乎为大多数图像产生了精确的掩模。细粒度显著性方法产生的图像中的显著性目标更为“笨重”。
1.3K30发布于 2019-05-08 - 来自专栏Linux基础入门
SPSS参数检验 | 假设检验
当总体分布已知的情况下，利用样本数据对总体包含的参数进行推断的问题就是参数检验问题，参数检验不仅能够对一个总体的参数进行推断，还能比较两个或多个总体的参数。 在参数检验这章主要介绍平均值检验、单样本t检验、两独立样本t检验和配对样本t检验。 ? 3.假设检验的一般步骤： ①提出零假设（H0） 根据检验的目标，对需要检验的最终结果提出一个零假设。例如，需要检验一个班同学的平均身高是否等于170，即可以做出零假设，H0:h=170。 ②选择检验统计量 假设检验中，总是通过计算检验统计量的概率值进行判断，这些统计量服从或近似服从已知的某种分布，常用的有t分布、F分布等。 ④给定显著性水平，做出判断 P值就是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。如果P值很小,说明这种情况发生的概率很小,而如果真的出现了,根据小概率原理,我们就有理由拒绝原假设。
2.1K30发布于 2020-09-01 - 来自专栏下落木
T检验
什么是T检验？ T检验是假设检验的一种，又叫student t检验（Student’s t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。 ，由于备择假设中包含≠，拒绝域分布在两侧： 类别2称为单尾检验 备择假设中包含>的情形，拒绝域在数轴右侧： 备择假设中包含<的情形，拒绝域在数轴左侧： t检验的分类 t检验分为单总体t 检验和双总体t检验 单总体t检验 检验一个样本平均数与一个已知的总体平均数差异是否显著。 双总体t检验 检验两个样本各自所代表的总体的均值差异是否显著，包括独立样本t检验和配对样本t检验。 独立样本t检验 检验两个独立样本所代表的总体均值差异是否显著。 t=4之后的曲线下面积其实就是P值： 为什么t统计量服从t分布 单样本t检验 独立样本t检验 配对样本t检验 可将两配对样本对应元素做差，得到新样本，这个新样本可视作单样本，与单样本t检验统计量证明方法相同
2.7K21发布于 2021-10-13 - 来自专栏Linux基础入门
SPSS参数检验 | 平均值检验
前言： 平均值检验是通过比较两个样本的均值来判断两个总体的均值是否相等。还可以执行单因素方差分析和相关分析。 零假设：两个样本的均值没有显著差异。 ? 操作过程： 1.数据输入格式 ? ? ②线性相关度检验：选择此项，即对第一层次进行线性检验，计算与线性和非线性成分相关联的平方和、自由度和均方，以及F比、R和R方。 ? ? 4.完成所有设置后，单击“确定”按钮执行命令。 查看平均值检验的结果分析： ①个案数为400，其中男性的个案为166，储蓄金额的平均值为198239.97，标准偏差为100439.918，女性的个案为234，储蓄金额的平均值为192834.38，标准偏差为 ②显著性为0.560，大于0.05，说明男性与女性的储蓄金额之间没有显著差异，接受零假设。此外，相关性测量中Eta的平方为0.001。 ? ?
3.8K20发布于 2020-09-02 - 来自专栏医学和生信笔记
R语言线性趋势检验：Cochran Armitage 检验
Cochran Armitage检验是一种线性趋势检验，常用于自变量是有序分类变量，而因变量是二分类变量的资料，可以用来检验自变量和因变量存不存在线性趋势。 注意和Cochran-Mantel-Haenszel检验区分，CMH检验是研究两个分类变量之间关联性的一种检验方法。 关于CMH检验的内容可以参考之前的推文：R语言卡方检验方法总结 换句话说，在2 x 2表格数据的基础上，引入了第三个分类变量，称之为混杂变量。 混杂变量的引入使得CMH检验可以用于分析分层样本，作为生物统计学领域的一种常用技术，该检验常用于疾病对照研究。 下面是CMH检验的一个补充。 默认的CMH检验只能进行3个变量的检验，vcdExtra中的CMHtest()可以进行两个变量的CMH检验。
1.7K20编辑于 2023-02-14 - 来自专栏SAP供应链
SAP QM 源检验的检验批特殊之处
SAP QM 源检验的检验批特殊之处SAP QM里Source Inspection虽然在项目实践中极为不常用，但是以笔者的经验来看，在找项目参加技术面试的时候，却经常有面试官问到这个流程，用以考察候选者的 检验批# 10000000672是一个源检验（Source Inspection）流程里的检验批,它是根据采购订单4500001239使用事务代码QI07而触发的。 它的inspection type以及Inspection Lot origin都跟采购订单收货过账触发的检验批一样。 2, 这个Source Inspection的检验批的特殊之处：a), 它的System status: REL CALC, 没有SPRQ。b), 检验批上的Insp.Stock选项没有被勾选。 之所以有这3个特殊之处，是因为source inspection的检验批是根据采购订单单据来触发的，而非采购订单收货过账而触发的，所以它与质检库存无关。
1K20编辑于 2023-02-03 - 来自专栏二猫の家
Arcmap制图绘制显著性区域
类似于下图这种，为分析结果添加显著性区域，该如何实现呢？ 实现方式多种多样，比如： 1、代码。
38920编辑于 2023-10-30 - 来自专栏全栈程序员必看
视觉显著性简介 Saliency Detection
内容转移到博客文章系列：显著性检测 1.简介 视觉显著性包括从下而上和从上往下两种机制。从下而上也可以认为是数据驱动，即图像本身对人的吸引，从上而下则是在人意识控制下对图像进行注意。 科研主要做的是从下而上的视觉显著性，而从上而下的视觉显著性由于对人的大脑结构作用了解还很肤浅，无法深刻的揭示作用原理所以做研究的人也相对较少。 2. 方法 显著性检测一般分为空域和频域。 频域方法由于难找到原理信息所以研究不多：将图像转换到[0，2pi]线性子空间坐标，对呈现线性的特征值分析提取；利用谱残差，将图像分为显著性信息和冗余信息，图像幅度上对数运算，用平均滤波和幅度谱卷积得到冗余信息
91120编辑于 2022-09-20 - 来自专栏优雅R
「R」t 检验
问题 你想要检验来自两个总体的样本是否有不同的均值（显著性差异），或者检验从一个总体抽取的样本均值和理论均值有显著性差异。 方案 样本数据 我们将使用内置的sleep数据集。 7 7 3.7 5.5 #> 8 8 0.8 1.6 #> 9 9 0.0 4.6 #> 10 10 2.0 3.4 比较两组：独立双样本t检验 默认的不是Student t检验而是使用了Welch t检验。注意Welch t-test结果中df=17.776，这是因为对不同质方差进行了校正。 要使用Student t检验的话，设置var.equal=TRUE。 你也可以使用配对样本t检验比较配对的数据。
1.9K20发布于 2020-07-02 - 来自专栏blog(为什么会重名，真的醉了)
Friedman检验及后续Nemenyi检验可视化
文章目录 Friedman 检验 Nemeny检验 Friedman 检验 弗里德曼检验（Friedman test）是一种非参数统计检验方法，用于比较来自不同群体或条件的相关样本。 弗里德曼检验的目的是确定多个相关样本是否存在显著差异。它基于样本的秩次或等级信息，而不是具体的数值。该检验假设每个样本都来自同一总体，并且评估各组之间的差异是否显著。 如果原假设被拒绝，那么接下来Nemenyi后续检验就会被执行。 接下来执行Nemeny检验。 1 1 2 2 4 6 4 3 5 6 4 6 7 6 7 7 5 6 7 ]'; labels={'A','B','C','D','E','F','G'};%方法的标签 alpha=0.05; %显著性水平
4.3K10编辑于 2024-01-02 - 来自专栏R语言学习
绘制带显著性比较的bar图
概述：本文介绍如何轻松地为ggplot图形添加P值和显著性水平： 比较两组或多组的均值 自动地将P值和显著性水平添加到ggplot图形中，如箱形图，点图，条形图和折线图等 使用工具： R语言中的ggplot2 包和ggpubr包 均值比较的方法 均值比较的常见方法： 方法 R实现函数 描述 T-test t.test() 比较两组(参数检验) Wilcoxon test wilcox.test() 比较两组( 非参数检验) ANOVA aov()或anova() 比较多组(参数检验) Kruskal-Wallis kruskal.test() 比较多组(非参数检验) 用于添加P值的R函数 介绍两个ggpubr 包中的函数 compare_means()：用于执行均值比较 stat_compare_means()：用于在ggplot图形中自动添加P值和显著性水平 compare_means() 两样本间的比较 ,label.x=1.5,label.y = 30) #label指定显示计算出的显著性标签，这里为ns #labe.x和label.y指定ns的坐标轴位置 image.png 多样本之间的比较
4.8K01发布于 2020-09-26 - 来自专栏生信补给站
R学习—检验
R语言系列学习(各种检验) 1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验) 检验数据是否符合正态分布，R函数：shapiro.test(). 结果含义：当p值小于某个显著性水平α(比如0.05)时，则认为 样本不是来自正态分布的总体，否则则承认样本来自正态分布的总体。 结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。 结果含义：P值小于显著性水平时拒绝原假设，否则，接受原假设。 p-值小于某个显著性水平，则表示拒绝原假设，否则接受原假设。
1K40发布于 2020-08-06
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