问题标签 [hypothesis-test]

我希望你星期天过得愉快。

我有一个关于 868 家银行在 94 个时间段内的银行股票收益的面板数据集，其中我创建了时间和银行虚拟变量。定义了不同的回归配置后，我想使用 linearHypothesis() 测试各个虚拟集的联合显着性。

虽然这对于时间假人来说完全正常，但在尝试测试银行假人时出现以下错误：

以下是我的 (i) 代码。创建假人，(ii) 定义 lm() 和 (iii) 运行假设检验：

这是我的面板数据集的 summary() 和 str() 的屏幕截图：

以前从未遇到过此错误，我也找不到与 linearHypothesis() 相关的此错误的任何信息。我还发现时间假人的联合测试工作完美，这让我感到困惑，因为这两个假人集是以相同的方式创建的。任何建议将不胜感激。

constant_all = [38.315546998853549, 40.187217618535399, 43.71380567455396, 45.450748920811293, 50.112269986599735, 59.275158665010736, 65.979556682432815, 106.81142772445702, 122.61124737594076, 160.38976378829483, 109.69662873794118, 86.785774468513864, 73.201627114685436, 62.980558157294979, 60.149903740134562, 54.010569668890867, 54.657627915195405, 57.065262050299623, 59.576109894133168, 61.568376379726971, 64.51074294474725]

我得到了一个类似上面的列表。然后我通过使用运行adfuller测试cadf = ts.adfuller(constant_all)，然后我想通过访问p值cadf[0]。

但是，我总是得到零。我做错什么了吗？

我打算在以下模型中使用 lht 命令测试系数：

但是，当我尝试投入I(D1*LOGA)使用时lht()，它会产生错误：

我想知道如何正确地在模型中进行测试？D1*LOGA我知道一个（不是那么聪明的方法）是在运行回归之前创建一个值等于的变量。但是有没有更方便的方法或者做呢？

为了确定两组之间的均值是否存在差异，我们使用如下 t 检验。我使用 mtcars 数据集。

我的问题是如果我使用逻辑回归怎么办？p值不同。为了实现相同的目标，如果我使用逻辑回归与 t.test 有什么区别吗？有人可以澄清一下吗？

我希望确认我的 Chi Square 测试设置正确。我有 2 个变量和 1 个观察值，即每条推文的数量。我只是想确认我的设置是否正确。

代码：

我需要测试零假设，即我的稳定收益具有零偏度，置信水平为 95%。你有什么想法我可以用哪种公式来做这种测试？我尝试了 Agostino 偏度测试，但认为这不是最好的方法，因为我无法设置置信水平。

我有两个概率密度函数，我想知道它们的分布是否相似。我知道 R 中的 KS 测试可以做到这一点，但是当我运行代码时，会发生错误。谢谢你的帮助。

我从 Andrew Ng 教授的 Coursera 课程中学习机器学习。讲师将假设定义为“输入”（在我的情况下为 x）的线性函数，如下所示：

h _θ (x) = θ ₀ + θ ₁ (x)

在监督学习中，我们有一些训练数据，并在此基础上尝试“推断”一个函数，该函数将输入紧密映射到相应的输出。为了推导函数，我们将假设作为输入 (x) 的线性函数引入。我的问题是，为什么选择涉及两个 θs 的函数？为什么它不能像y^{( i)} = a * x^{( i)}那样简单，系数在哪里a？稍后我们可以使用算法a为给定示例找到一个“好的”值？(i)这个问题可能看起来很愚蠢。我很抱歉，但我不太擅长机器学习，我只是一个初学者。请帮助我理解这一点。

谢谢！

我试图在 Kruskal-Wallis 上阅读我所能阅读的内容，虽然我找到了一些有用的信息，但我似乎仍然找不到我的问题的答案。我正在尝试使用 Kruskal-Wallis 检验来确定多个因素中多个组在预测一组因变量时的重要性。

这是我的数据示例：

在这个例子中，我的因变量是“AcgVor”、“PNatGR”和“NatGrHt”，而自变量（因子）是“Season”、“Grazing”和“Cattle_Type”。如您所见，我的每个因素都有 2 个组级别。

我想要完成的是运行一个非参数测试，查看我的因子组对我的每个因变量的单独和组合重要性。我选择了 Krukal-Wallis，它似乎可以一次测试我的一个分组因素。

这是 AvgVor ~ Grazing 的结果

这告诉我，根据放牧前或放牧后的记录，AvGVor 存在显着差异。

有没有办法使用 Kruskal-Wallis 构建一个包含我所有分组因素的类似模型？即使我必须为每个因变量运行一个单独的变量。

我尝试了以下代码，但它有缺陷。

我一直在关注可汗学院的视频以了解假设检验，我必须承认，到目前为止我的所有理解都是基于该来源。现在，以下视频讨论 z 分数/假设检验：

假设检验

Z 统计量与 T 统计量

现在，我开始怀疑，这完全是关于 z 分数中的分母：

1. 对于 z 分数公式，即：z = (x – μ) / σ，当总体的标准偏差 (σ) 已知时，我们直接使用它。但是当它未知时，并且我们使用抽样分布，那么我们有 z = (x – μ) / (σ / √n); 我们用 σ _s估计 σ ；其中σ _s是样本的标准差，n 是样本大小。

那么 z 分数 = (x – μ) / (σ _s / √n)。_{当 σ s} 已知时，为什么要除以 √n ？即使在视频中，假设检验 - Sal 也将样本的标准差除以 √n。_{当 σ s}直接给出时，我们为什么要这样做？

请帮我理解。

2. 我尝试将其应用于以下问题，并遇到以下问题：

问题：Yardley 设计了新香水。Yardley 公司声称，一个新香水瓶平均可以使用 300 天。另一家公司从 Yardley 随机抽取 35 支新香水瓶进行测试。采样瓶的平均使用时间为 190 天，标准偏差为 50 天。如果 Yardley 的说法是正确的，随机选择的 35 个瓶子的平均寿命不超过 190 天的概率是多少？

所以，上面的问题，当我执行以下操作时：

z = (190-300)/(50/√35)，我们得到 z = -13.05，这不是一个可能的分数，因为 z 分数应该在 +-3 之间。

当我这样做时，z = (190-110)/50，或者更确切地说是 z = (x – μ) / σ，我似乎在这里得到了一个可以接受的答案。

请帮我弄清楚我错过了什么。