mtest

mtest είναι μια υλοποίηση της Python του m-τεστ, μια δοκιμασία δύο δειγμάτων με βάση την επιλογή του μοντέλου και περιγράφεται στο [1] και [2].
Παρά τη σημασία τους στην υποστήριξη της πειραματικής συμπεράσματα, τυποποιημένες στατιστικές δοκιμασίες είναι συχνά ανεπαρκείς για ερευνητικούς τομείς, όπως οι επιστήμες της ζωής, όπου το τυπικό μέγεθος δείγματος είναι μικρό και οι παραδοχές δοκιμή δύσκολο να εξακριβωθεί. Υπό αυτές τις συνθήκες, τυποποιημένες δοκιμές τείνουν να είναι υπερβολικά συντηρητική, και αποτυγχάνουν έτσι να ανιχνεύει τις σημαντικές επιπτώσεις στα δεδομένα.
Το m-δοκιμή είναι μια κλασσική στατιστική δοκιμή με την έννοια του καθορισμού σημασία με το συμβατικό όριο για τα σφάλματα Τύπου Ι. Από την άλλη πλευρά, βασίζεται σε Bayesian επιλογή μοντέλου, και έτσι λαμβάνει υπόψη την αβεβαιότητα σχετικά με τις παραμέτρους του μοντέλου, μετριάζοντας το πρόβλημα του μικρού μεγέθους δείγματα.
Το m-δοκιμή έχει βρεθεί να έχουν γενικά μια υψηλότερη δύναμη (μικρότερο κλάσμα του Τύπου σφαλμάτων II) από ένα σφάλμα t-τεστ για μικρά μεγέθη δείγματος (3 έως 100 δείγματα).
[1] Berkes, Π, Fiser, J. (2011) Μια frequentist δοκιμασία δύο δειγμάτων με βάση την Μπεϋζιανή επιλογή μοντέλου. arXiv: 1104.2826v1
[2] Berkes, Π, Orban, Γ, Lengyel, Μ, και Fiser, J. (2011). Αυθόρμητη φλοιώδη δραστηριότητα αποκαλύπτει χαρακτηριστικά ενός βέλτιστου εσωτερικού μοντέλου του περιβάλλοντος. Science, 331: 6013, 83-87.
mtest πίνακες
mtest πλοία κρύπτες πίνακες των στατιστικών στοιχείων για τον υπολογισμό του p-αξία και τη δύναμη των νέων στοιχείων με τον πιο αποτελεσματικό τρόπο. Η βιβλιοθήκη διανέμεται με τραπέζια για την p-τιμές (σφάλμα τύπου Ι) για n = 3,4, ..., 20 και Ν = 30,40, ..., 100. Οι πίνακες αυτοί καλύπτουν τις πιο κοινές περιπτώσεις. Οι νέοι πίνακες υπολογίζονται όταν χρειάζεται, αν και η συμπλήρωση μπορεί να διαρκέσει μερικές ώρες. Τύπος II πίνακες σφάλμα δεν περιλαμβάνονται για να κρατήσει το μέγεθος της συσκευασίας μικρό.
Δείτε scriptscompute_basic_tables.py για παράδειγμα το σενάριο να προ-υπολογιστικής πίνακες μπορεί να χρειαστείτε. . Το σενάριο κάνει χρήση της βιβλιοθήκης joblib για τη διανομή των υπολογισμών για πολλαπλούς πυρήνες

Απαιτήσεις :

• Python
• SciPy
• Ν.Ε.Π.Α.