Участник:Пасконова Ольга/Песочница

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Ссылки)
(Ссылки)
Строка 76: Строка 76:
== Ссылки ==
== Ссылки ==
-
* [http://www.tspu.tula.ru/res/math/mop/lections/lection_7.htm#_Toc73845987 Дисперсионный анализ] - Аналитическая статистика.
+
* [http://www.tspu.tula.ru/res/math/mop/lections/lection_7.htm#_Toc73845987 Дисперсионный анализ для связанных выборок] - Аналитическая статистика.
* [http://lib.socio.msu.ru/l/library?e=d-000-00---001ucheb--00-0-0-0prompt-10---4------0-1l--1-ru-50---20-about---00031-001-1-0windowsZz-1251-00&a=d&cl=CL1&d=HASHe10c3b36c7d751dd18704b.11 Многофакторный дисперсионный анализ] - Электронная библиотека.
* [http://lib.socio.msu.ru/l/library?e=d-000-00---001ucheb--00-0-0-0prompt-10---4------0-1l--1-ru-50---20-about---00031-001-1-0windowsZz-1251-00&a=d&cl=CL1&d=HASHe10c3b36c7d751dd18704b.11 Многофакторный дисперсионный анализ] - Электронная библиотека.

Версия 11:07, 16 декабря 2009

Содержание

Двухфакторная непараметрическая модель

Данные.

В каждом из n блоков содержится по одному наблюдению x_{ij} на каждуб из k обработок. Будем считать наблюдения реализацией случайных велечин X_{ij} в модели

X_{ij} = \mu + \alpha_i + \beta_j + \epsilon_{ij}, где 1 \le i \le n, 1 \le j \le k, .

Здесь \mu - неизвестное общее среднее, \alpha_i - эффект блока i (неизвестный мешающий параметр), \beta_j - эффект блока j (интересующий нас параметр), \epsilon_{ij} - случайная ошибка j

Допущения.

1. Все ошибки \epsilon_{ij} независимы.

2. Все \epsilon_{ij} имеют одинаковое непрерывное (неизвестное) распределение.

Критерий Фридмана

Для проверки гипотезы

 H_0: \beta_1 = \dots = \beta_k

против альтернативы

 H_1 : не все  \beta_j равны между собой

применяется Критерий Фридмана [Холлендер М., Вульф Д.А., 155; Лагутин М. Б., 260]

Пример

Д. Хебб и К.Уильямс разработали тест эстакадного лабиринта для сравнительной оценки "сообразительности" животных. Он состоит из 12 заданий. Есть данные средних чисел ошибок при выполнении этих заданий крысами, кроликами и кошками. Есть ли животные, которые значимо различаются?

Критерий Пейджа

Нередко условия эксперимента таковы, что обработки упорядочены естественным образом, например, по интенсивности стимулов, сложности заданий и т.п. Критерий Пейджа учитывает информацию, содержащуюся в предпологаемой упорядоченности (в отличие от критерия Фридмана, статистика которого принимает одно и то же значение для всех перенумераций обработок).

Для проверки гипотезы

 H_0: \beta_1 = \dots = \beta_k

против альтернативы возрастания эффектов обработок

 H_2: \beta_1 \leq \dots \leq  \beta_k ,

где хотя бы одно из неравенств строгое,

выполняется статистика критерия Пейджа [Холлендер М., Вульф Д.А., 163; Лагутин М. Б., 263]

Пример

Прочность волокон хлопка.

Проведен опыт, в котором изучалось влияние колличества калорий удобрения, вносимого в почву, на разрывную прочность волокон хлопка. С каждой делянки отбирался один образец хлопка, на котором 4 измерительных показателя прочности по Прессли. Даны данные по этим четырем замерам. С помощью критерия Пейджа проверить гипотезу об отсутствии влияния количества удобрения на прочность нити, против альтернативы убывания прочности с ростом количества удобрения.

Критерий Пейджа

История

Литература

  1. Шеффе Г. Дисперсионный анализ. — М., 1980.
  2. Аренс Х. Лёйтер Ю. Многомерный дисперсионный анализ.
  3. Лапач С. Н. , Чубенко А. В., Бабич П. Н. Статистика в науке и бизнесе. — Киев: Морион, 2002.
  4. Лагутин М. Б. Наглядная математическая статистика. В двух томах. — М.: П-центр, 2003.
  5. Холлендер М., Вульф Д.А. Непараметрические методы статистики.

Ссылки

См. также

Личные инструменты