平均値の多重比較とは何？ わかりやすく解説 Weblio辞書
検定手順: 前提 帰無仮説 H0：「平均値に差はない」。 対立仮説 H1：「平均値に差がある」。 有意水準 α で両側検定を行う（片側検定も定義できる）。 ライアンの方法では，名義的有意水準（α '）という概念が使われる。k 群の場合，全ての 2 群の平均値の差を検定する場合には，kC2 回の検定を行わなければならない。検定結果全体としての有意水準を α とするためには，個々の検定において有意水準を α / kC2 まで下げておけばよい。しかし，もし平均値の最大値と最小値に有意な差が認められたときには，次の段階で k - 1 個の平均値の差を検定するときには，有意水準をもう少し大きくしてもよいであろう。このように考えると，個々の検定に使用する有意水準として，次式で表される名義的有意水準を使用すればよい。 α' = 2 α / { k ( m - 1 ) } ここで，m は比較する 2 個の
【例題で解説】スティール・ドゥワス検定｜Staat
スティール・ドゥワス（Steel=Dwass）検定とは スティール・ドゥワス検定はマンホイットニーのU検定を3群以上の標本に対して使えるようにした方法です． 多重比較の中で最も一般的な手法である，テューキー法のノンパラメトリック版でもあり，比較方法としては全ての2群同士を代表値の差が大きいか否かで判断します． 以下の図がスティール・ドゥワス検定の考え方になります．給与に対する満足度を役職ごとに比較する例になります． 4群に対して2群の代表値の差の比較を行なう場合，検定回数は6回必要になります．有意水準α=0.05で検定を6回繰り返すと有意になる確率は26％（＝1-(1-0.05)6）に上昇します（多重性の問題）． 多重性の問題を解決するためにスティール・ドゥワス検定では，比較する群数が増えるごとに厳しくした限界値（分布）を用いて仮説検定を行います． スティール・ドゥワス検定は比較するグルー
これだけは覚えたい、ユニットテストを書くための４つのデザイン - Qiita
もうちょっと規約的なものを「JavaでのUT作成基準を整理してみた」にもまとめてみました。 はじめに 去年、ブログの方に「ふつうのユニットテストのための７つのルール」という記事を書いたのですが、思ったより反響がありました。 あの記事で書いたのはあくまで原理・原則で、それを実現するためにはいくつかのテクニックが必要です。 特に、ああいうルールを作って「ユニットテストを書く事」を厳守するようにしても、 適切なテクニックを知らなければメンテが困難だったり、品質に寄与しなかったり、実行性能が悪いゴミが量産される可能性があります。 じゃあ、どうすれば良いかというと「最初からユニットテストが書きやすいように元のコードを設計する」ということです。 そう。まず身に付けるべきは「テストコードの書き方」では無く「テスト対象コード」すなわち「プロダクトコードの書き方」なのです。 また、ここで言ってる「最初から」
ふつうのユニットテストのための７つのルール - ブログなんだよもん
最近、久しぶりにコードレビューをすることが増えたのですが、UnitTestのコードを見るとヒドイ部分が多く残念な気持ちになることもあります。 原因のひとつとして、プロダクトコードと違いテストの書き方をあまり書き方を明文化してなかったのが悪かったなと思い、とりあえず明文化してみました。 今回は、命名規則とかそのレベルまではいかず「ユニットテストかくあるべし」ってところまでをまとめます。正直、これ守ってくれたらあとは好みの世界もあるしね。 追記： テクニカルな部分も最低限ですがQiitaに記載しました。 qiita.com 追記： もうちょっと大上段の規約に関してもまとめてみました。 koduki.hatenablog.com 前提 ここではユニットテストを関数レベルのテストをJUnitのような自動テストツールで取り扱う場合に限定します。 また、Mavenでビルド時は常にテストを回すことを想定
Rによるウィルコクソンの順位和検定
Rにてウィルコクソンの順位和検定 (Wilcoxon rank sum test) を行う。本検定法は、ウィルコクソンの符号順位検定 (Wilcoxon signed rank test) とは別の検定法である。パッケージ"exactRankTests"に搭載されている関数"wilcox.exact"にて検定する。Rにデフォルトでインストールされている"stats"パッケージには"wilcox.test"が搭載されているが、この関数より"wilcox.exact"が使い勝手が良い。"wilcox.test"と違い、"wilcox.exact"では、正確なp値が計算される。 まず、Rを起動させ、以下のコマンドにてパッケージをインストールし、そのパッケージを読み込む。
Jenkins導入・活用法：コード更新するとテストを自動実行
ビルドやテストの自動化を目的として、Jenkinsを利用する現場は多い。「開発支援ツール徹底調査2013」では、直近2年間でJenkinsを利用したことがあると回答した人のうち、ビルドの自動化を用途としている人は93.1％、テストの自動化を用途としている人は60.8％を占めた。 Jenkinsでビルドとテストを自動化するには、SubversionやGitといったソースコード管理ツール、Mavenなどのビルドツール、JUnitのようなテストツールという3種のツールを用意し、さらにJenkinsがそれらのツールと連携できるように設定しておく（図1）。そうすることで、メンバーがソースコードをコミットするとJenkinsが更新を検知し、ビルドツールをキック。あらかじめビルドツールに仕込んでおいた手順書に従って、ビルドやテストが行われる。 ビルドやテストが完了したら、JenkinsのWebページやメ
統計解析Q＆A-差の検定-
Q1：「…検定の有意水準は5％とした。…，結果はAとBの比較でp＜0.05の有意差があり，AとCの比較でp＜0.01の有意差があった。…」と記載したら，記載方法が悪いといわれた。なぜだろうか？ A1：α～0の範囲を棄却域，αを有意水準または水準または有意点という。有意水準は点であり範囲ではない。有意水準を5％と記載したまではよいが，5％以下を棄却域としたなら1％は記載せず，p＜0.05のみ記す。p＜0.01も記載したいなら，さきに「有意水準は5％および1％とし…」と断わるべきである。最近，p＝0.012とか，p＝0.489といった形でp値をそのまま記載する論文も散見されるが，有意水準とp値は異なることを留意しなければならない。 ところで棄却域を有意水準未満とするか，有意水準以下とするかについて議論されることがある。有意水準の5％はFisher RAがローザムステッド農地試験所に勤務したとき
適合度の検定−−正規分布への適合度の検定
注：母平均，母分散が既知の場合には以下の方法ではなく，名義尺度の場合 または 順序尺度以上の場合（1 標本コルモゴロフスミルノフ検定）により検定を行う。 検定手順: 前提 帰無仮説 $H_0$：「母分布は正規分布である」。 対立仮説 $H_1$：「母分布は正規分布ではない」。 有意水準 $\alpha$ で両側検定を行う（片側検定は定義できない）。 まず最初に，正規分布のパラメータを推定する。 注：測定値の分布に正規分布をあてはめるときには一般に母平均，母分散がわからないので，以下のように標本値で代用しなければならない。 $n$ 個のケースが，$k$ 個のカテゴリーに分類されているとする。 \[ n = \sum_{i=1}^k f_i \] 例題では，$n = 426$，$k = 9$（階級「35〜」と「75〜」は以下の計算を行うために作られたものである）。 各階級の中心点を $X_{i
F検定 (等分散の検定)
F検定(等分散の検定) まず「等分散とは？」であるが、漢字を見て分けるとおり等しく分散しているということである。つまり、それぞれの群の分布の形が似ているということである。 下にいくつかの例を示す。 独立2群の差の検定の場合、二標本t検定には「正規分布である」「等分散である」の二つの条件が必要である。そのため、たとえ正規分布していても等分散でなければ二標本t検定を使ってはいけない。 この等分散かどうかを調べるためにF検定がある。二標本t検定をする前にF検定をして等分散であることを確認する必要がある。 もし、F検定で「等分散でない」と検定されたなら二標本t検定ではなくてWelch法やMann-Whitney検定で検定しなくてはならない。 ・仮説の設定 帰無仮説(H0)：「2群間の分散に差がない(等分散である)」と仮定する。 対立仮説(H1)：「2群間の分散に差がある(等分散でない)」と仮定する
Kolmogorov–Smirnov test - Wikipedia
Illustration of the Kolmogorov–Smirnov statistic. The red line is a model CDF, the blue line is an empirical CDF, and the black arrow is the KS statistic. In statistics, the Kolmogorov–Smirnov test (K–S test or KS test) is a nonparametric test of the equality of continuous (or discontinuous, see Section 2.2), one-dimensional probability distributions that can be used to test whether a sample came
1.3.5.16. Kolmogorov-Smirnov Goodness-of-Fit Test
The Kolmogorov-Smirnov test (Chakravart, Laha, and Roy, 1967) is used to decide if a sample comes from a population with a specific distribution. The Kolmogorov-Smirnov (K-S) test is based on the empirical distribution function (ECDF). Given N ordered data points Y1, Y2, ..., YN, the ECDF is defined as \[ E_{N} = n(i)/N \] where n(i) is the number of points less than Yi and the Yi are ordered from
Rによるコルモゴロフ・スミルノフ検定
Rにてコルモゴロフ・スミルノフ検定 (Kolmogorov-Smirnov test) を行う。コルモゴロフ・スミルノフ検定は得られた2つのデータ間の確率分布の相違の検定、または、1データにおける確率分布の正規性を行う検定法である。旧ソビエト連邦の数学者Andrey Nikolaevich KolmogorovとNikolai Vasilyevich Smirnovによって開発された。スチューデントのt検定等をはじめとする多くの検定手法において標本分布 (データ) が正規分布に従うことが仮定されていることを考慮すると、得られたデータが正規分布に従うか否かは、その後の統計検定を行うにあたり非常に大きな意味を持つ。その観点からコルモゴロフ・スミルノフ検定は重要な検定法のひとつであるといえる。Rでは、デフォルトでインストールされているパッケージの関数 'ks.test' にて実行する。 以下のよ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Lemon