机器算法验证 - 实验设计的力量 - 吾爱随笔录

机器算法验证实验设计统计能力

2022-03-18 11:28:43

计算配对 t 检验和 ANOVA 的功效很容易，但如何计算更复杂设计（例如裂区设计或因子设计）的功效？

2个回答

首先将您的方差分析变为回归。然后，

N = \frac{{2.84}^{2}}{p (1 - p)} \frac{σ^{2}}{M D E^{2}}

$N = \frac{2.84^2}{p(1-p)}\frac{\sigma^2}{MDE^2}$

N 是您的样本量，p 是获得处理的比例，是残差的标准差，MDE=您能够获得的最小可检测效应。2.84 来自 95% 和 80% 功率的 alpha 置信度（当您有很多自由度时。自由度较少时，您需要使用 T 分布。请参阅参考资料了解详细信息。） $\sigma$

你在实验中得到的解释性因素越多，就会缩小。知道它会缩小多少是很棘手的。 $\sigma$

在某些时候，分析公式会崩溃，你最好简单地模拟整个数据集，多次做某种蒙特卡罗，并将所需的模型拟合到每个可能的数据集。你的力量是你得到你想要的结果的次数的比例。与分析方法一样，您的假设与您的假设一样好。

来源来自记忆，大致如下。

一旦超出了像 t-tests 这样的简单案例，我更喜欢使用模拟。当您进行模拟时，您可以控制所做的所有假设，并且可以模拟可能不在好的固定例程中的情况。

这是一个模拟示例的答案：

其它你可能感兴趣的问题