问题标签 [significance]

在我的效果图中，我有 2 种治疗方法及其置信区间。根据绘制的置信区间，我如何知道组（治疗）之间的差异何时不再显着？又名：根据计算出的 95% 置信限，我需要查看 2 种治疗何时保持统计显着性。谢谢！

我对决策树还很陌生。当我在二进制、分类变量和家庭规模之间进行卡方检验时，我使用 R 中“fifer”包中的 Bonferroni 控制方法从事后分析中得到以下 p 值和随后的成对 p 值，其中使用 Fisher 检验：

然而，当我基于相同的数据创建决策树时，使用'method = “class”'，并在 R 的 rpart 包中使用 cp = .01 的 gini 分割标准，树以家庭大小 1 分割（因为我会根据上表预期），然后是 3（不是我根据上表所期望的），然后是 2。我曾预计树分裂与卡方表对齐，这意味着它会分裂重要性顺序，即在 1 处拆分然后在 4 处拆分。这是不正确的思路吗？如果是这样，为什么？我的印象是这两种方法都使用相同的测试来确定重要性，并且决策树会相应地拆分，但这似乎不正确。

我已经在 Stackoverflow 以及其他在线地方进行了研究。我遇到了这篇文章，这似乎证实了我的想法，但我仍然不确定为什么我会得到不同的结果。

我想在 R 中执行自举配对 t 检验。我已经尝试过使用参数配对 t 检验时返回 p<.05 的多个数据集，但是当我运行自举时，我得到的 p 值在 0.4 和 0.5 之间. 我运行不正确吗？

谢谢！

我希望整个 R 代码中有效数字的数量为 15。选项：

没有给我想要的输出。它将结果四舍五入到最少有效位数。例如，它给了我输出：

第二个数字的有效位数最少，因此 R 将其设置为 15。然后第一个数字由 R 与相同的小数位数组成。这给出了第一个数字的重要因子 16。我想要的是输出中所有数字的 15 个重要因子。所以我想要的是：

如何为每个输出做到这一点？

任何帮助表示赞赏。

我有一个使用面板数据的分位数回归分析。我用自己的代码创建了意义星，如下所示

显着性水平基于 P 值确定。但是，在回归结果中，根据 P 值，即使 t 值很高，有些变量看起来也不显着。为什么会这样？你觉得我应该怎么做？

请参阅回归结果，例如。Q75 的 x7 变量应该有一颗星。（括号中的值是 t 值）

我在 MPLUS 中使用了 3 步方法来首先估计潜在类模型 (LPA)，然后使用最可能的类（考虑到错误分类）并将它们放入增长模型中。

我为 LPA 使用了 5 类解决方案。

我想测试 5 组之间的截距和斜率是否存在显着差异，但我不知道如何在模型中指定这一点？

帮助将不胜感激！

下面是我使用的代码。

我是pairgrid regplots Seaborn 输出的粉丝，如下所示：

我的问题是，我看不到这些回归模型的 R 和 P 值。

当它是网格的一部分时，Seaborn 是否有办法在 regplot 上输出统计值？

我的代码：

我想测试实验者中几个数据集之间的显着差异，但我只设法对不同的算法执行 T 检验。如何进行显着性测试来比较多个数据集的结果？

数据集 A 的结果也明显好于数据集 B（使用相同的算法）

比较不同变量/属性集但相同样本的机器学习算法的结果是否有意义？

我正在比较不同的变量/属性组以找到最有效的变量/属性组。通常，您使用 t 检验来比较另一个样本在相同变量上的结果是否显着不同。我可以反过来吗？

我有一个很大的相关矩阵（大约 50*50）。我使用 cor(mydata) 函数计算了矩阵。现在我想有相等的重要性矩阵。使用 cor.test() 我可以有一个显着性水平，但有没有一种简单的方法来获得所有 1200？