基于模型选择的两样本检验比小样本的t检验具有更好的性能。
mtest的Python项目详细描述
mtest
m test是m-test的python实现,一个两个示例的测试 基于模型选择并在[1]和[2]中描述。
尽管它们在支持实验结论方面很重要,标准 统计测试通常不适合生命科学等研究领域, 当典型样本量较小且测试假设难以 核实。在这种情况下,标准测试往往过于保守,并且 因此无法检测数据中的显著影响。
m检验是定义显著性意义上的经典统计检验 与I型误差的传统界限。另一方面,它是基于 关于贝叶斯模型的选择,从而考虑到 模型参数,缓解了小样本问题。
M检验通常具有更高的功率(小于 ii类误差)小于小样本(3至100个样本)的t检验误差。
[1]Berkes,P.,Fiser,J.(2011)A frequentist two-sample test based on Bayesian model selection.arxiv:1104.2826v1
[2]Berkes,P.,Orban,G.,Lengyel,M.,和Fiser,J.(2011)。Spontaneous cortical activity reveals hallmarks of an optimal internal model of the environment.科学,331:6013,83-87.
MTEST表格
mtestships缓存统计表以计算p值和 以最有效的方式提供新数据的能力。图书馆是 与n=3,4,…,20的p值(类型i误差)表一起分布 当n=30,40,…,100时。这些表格涵盖了最常见的情况。新的 表是在需要时计算的,尽管完成可能需要一些时间 小时。不包括II类错误表以保持包的大小 很小。
请参见脚本compute_basic_tables.py 可能需要预先计算表。脚本使用joblib库来分发 多核计算。
许可证
mtest在GPLv3下发布。请参阅license.txt。
版权所有(c)2011,Pietro Berkes。保留所有权利。