Anta at vi har følgende datasett:
Men Women Dieting 10 30 Non-dieting 5 60
Hvis Jeg kjører Fisher-eksakte testen i R, hva betyr alternative = greater
(eller mindre)? For eksempel:
mat = matrix(c(10,5,30,60), 2,2) fisher.test(mat, alternative="greater")
Jeg får p-value = 0.01588
og odds ratio = 3.943534
. Når jeg snur radene i beredskapstabellen slik:
mat = matrix(c(5,10,60,30), 2, 2) fisher.test(mat, alternative="greater")
så får jeg p-value = 0.9967
og odds ratio = 0.2535796
. Men når jeg kjører de to beredskapstabellene uten det alternative argumentet (dvs. fisher.test(mat)
) så får jeg p-value = 0.02063
.
- Kan du forklare meg årsaken?
- Hva er også nullhypotesen og den alternative hypotesen i de ovennevnte tilfellene?
-
Kan jeg kjøre fisher-testen på en beredskapstabell slik:
mat = matrix(c(5000,10000,69999,39999), 2, 2)
PS: Jeg er ikke statistiker. Jeg prøver å lære statistikk slik at din hjelp (svar på enkel engelsk) vil bli høyt verdsatt.
Svar
greater
(eller less
) refererer til en ensidig test som sammenligner en nullhypotese om at p1=p2
til alternativet p1>p2
(eller p1<p2
). I kontrast sammenligner en tosidig test nullhypotesene med alternativet at p1
ikke er lik p2
.
For tabellen din er andelen dieters som er menn 1/4 = 0,25 (10 av 40) i prøven din. På den annen side er andelen ikke-dieters som er menn 1/13 eller (5 av 65) lik 0,077 i prøven. Så da er estimatet for p1
0,25 og for p2
er 0,077. Derfor ser det ut til at p1>p2
.
Derfor er p-verdien for det ensidige alternativet p1>p2
0,01588. (Små p-verdier indikerer at nullhypotesen er usannsynlig og alternativet er sannsynlig.)
Når alternativet er p1<p2
ser vi at dataene dine indikerte at forskjellen er i feil (eller uventet) retning.
Det er derfor i så fall p-verdien er så høy 0,9967. For det tosidige alternativet bør p-verdien være litt høyere enn for det ensidige alternativet p1>p2
. Og det er faktisk med p-verdi lik 0,02063.
Kommentarer
- Fantastisk forklaring. Så, den nøyaktige fiskenes test sammenligner faktisk sannsynligheter mellom rader i motsetning til kolonner?
- @Christian: Nei, det spiller ingen rolle ' om dens rader eller kolonner som fiskertesten sjekker for korrelasjon i en beredskapstabell. Rader og kolonner spiller ingen rolle '. Du kan også bare omformulere hypotesen: I stedet for at H0 er " folk som røyker, dør yngre ", kan du også anta H0: " folk som dør yngre, er mer sannsynlig å røyke ". Resultatene av fisher-testen vil fortelle deg om noen observerte forbindelser i dataene støtter nullhypotesen eller ikke, men det betyr ikke ' saken som er den uavhengige eller avhengige variabelen og like valget av rader / kolonner betyr ikke ' t saken 🙂