mtest

mtest Python gjennomføring av m-test, en to-prøve test basert på valg av aggregat og beskrevet i [1] og [2].
Til tross for deres betydning i å støtte eksperimentelle konklusjoner, standard statistiske tester er ofte utilstrekkelig for forskningsområder, som biovitenskap, der den typiske størrelsen på utvalget er lite og test forutsetninger vanskelig å verifisere. Under slike forhold standardtester tendens til å være altfor konservative, og dermed ikke klarer å påvise signifikante effekter i dataene.
Den m-testen er en klassisk statistisk test i den forstand for å definere betydning med den konvensjonelle grense for type I-feil. På den annen side, er den basert på Bayesian modellvalg, og således tar hensyn til usikkerheten om modellens parametere dempe problemet med små prøver størrelse.
Den m-test har vist seg å ha en generelt høyere effekt (mindre fraksjon av type II-feil) enn en t-test feil for små prøvestørrelser (3 til 100 sampler).
[1] Berkes, P., Fiser, J. (2011) En frequentist to-sample test basert på Bayesiansk modellvalg. arxiv: 1104.2826v1
[2] Berkes, P., Orban, G., Lengyel, M., og Fiser, J. (2011). Spontan kortikal aktivitet avslører kjennetegner en optimal intern modell av miljøet. Science, 331: 6013, 83-87.
mtest tabeller
mtest skip cacher tabeller av statistikk for å beregne p-verdien og kraften av nye data på en mest mulig effektiv måte. Biblioteket er fordelt med tabeller for p-verdier (type I feil) for N = 3,4, ..., 20 og for N = 30,40, ..., 100. Disse tabellene dekker de vanligste tilfellene. Nye tabeller er beregnet ved behov, selv om ferdigstillelse kan ta noen timer. Type II feil bord er ikke inkludert for å holde størrelsen pakken liten.
Se scriptscompute_basic_tables.py for eksempel manus til pre-beregne tabeller du måtte trenge. . Skriptet gjør bruk av joblib biblioteket for å fordele beregninger på flere kjerner

Krav

• Python
• SciPy
• pymc