Вероятность и статистика · объяснение и практика
Как фиксированные итоги задают точную вероятность таблицы 2×2
Как фиксированные итоги таблицы два на два задают точное гипергеометрическое распределение, отличить вероятность одной таблицы от хвоста и явно выбрать двустороннее правило.

В теме Оценивание и проверка гипотез: углубление · Учебная карта
В маршруте Категориальные таблицы и проверяемые связи · 10 тем
Главная мысль
При фиксированных итогах таблица два на два определяется одной клеткой X. Под независимостью её вероятность гипергеометрическая; точное p-значение складывает вероятности таблиц, признанных не менее крайними.
После фиксации итогов остаётся одна клетка
Пусть всего N объектов, среди них K имеют признак, а размер первой группы равен n. Если X=x объектов с признаком попали в первую группу, остальные три клетки вынужденно равны n−x, K−x и N−n−K+x. Допустимые x ограничены неотрицательностью всех частот.
При нулевой модели одинаковой вероятности признака и условии фиксированных итогов вероятность конкретного x равна C(K,x)C(N−K,n−x)/C(N,n). Это гипергеометрическая модель распределения меток по группе, а не модель независимых испытаний с одной заданной вероятностью. При фиксированном общем числе носителей метки выборы связаны: найденный успех меняет оставшийся состав. Важно явно назвать, что именно считается фиксированным.
Пять таблиц дают полное небольшое пространство
Возьмём N=8,K=4,n=4. Значения x от нуля до четырёх имеют вероятности 1,16,36,16,1, делённые на 70. Например, x=3 соответствует строкам (3,1) и (1,3), вероятность самой таблицы равна 16/70. Сумма всех пяти вероятностей равна единице.
Для направленной альтернативы большого x хвост от трёх включает x=3 и x=4, поэтому равен 17/70. Для двустороннего правила «вероятность таблицы не больше наблюдённой» включаются x=0,1,3,4 и получается 34/70=17/35. Это уже вероятность множества таблиц, а не только исходной.
Пример
Почему одной частоты x=3 недостаточно без остальных итогов?
Гипергеометрические вероятности зависят от N,K,n. Та же верхняя левая клетка в таблицах с другими итогами имеет другой вес и может занимать другое место среди крайних исходов.
Точность относится к названной условной модели
Существуют разные соглашения о двусторонней крайности, и они не всегда дают одинаковый результат. Поэтому правило суммирования нужно сообщать вместе с ответом. Нельзя механически удвоить любой односторонний хвост и объявить результат единственным двусторонним определением без проверки распределения.
Слово «точный» означает отсутствие χ²-приближения внутри этой конечной условной модели. Оно не устраняет ошибки отбора, зависимость наблюдений или неверные категории. Нулевая гипотеза также не получает вероятность из p-значения. Разреженная таблица может быть основанием выбрать такой расчёт, но не освобождает от содержательного выбора модели и направления проверки.
От чтения к действию
А теперь — вы
Частые вопросы
Равна ли вероятность исходной таблицы p-значению?
Обычно нет. p-значение суммирует вероятности всех таблиц, признанных как минимум такими же крайними по выбранному правилу.
Почему нужно назвать двустороннее правило?
В дискретных распределениях есть несколько способов определить крайность, и они могут давать разные суммы вероятностей.
Углублённый разбор
Mid-p в условном тесте: половина наблюдённой массы и потеря гарантии уровня
Mid-p уменьшает дискретную консервативность, оставляя половину массы наблюдённого результата. Взамен исчезает универсальная гарантия точного уровня обычного хвостового теста.
Перед началом: Мультиномиальные частоты и фиксированные поля; Матрицы, условные вероятности и логарифмы.
Определение и постановка
Для заранее выбранной верхней альтернативы mid-p(x)=P₀(X>x)+½P₀(X=x). Обычное точное p использует полный хвост P₀(X≥x), поэтому различие равно половине точечной массы.
Вывод и вычислительный критерий
В непрерывной модели вероятность точного равенства обычно нулевая и два выражения совпадают. В конечном условном пространстве одна таблица может иметь существенный вес, так что половинный учёт заметно меняет решение.
Mid-p не является случайным тестом, который подбрасывает монету на границе. Его значение детерминированно вычисляется по наблюдению. Рандомизированное p-значение использовало бы независимую равномерную долю точечной массы, тогда как mid-p фиксирует эту долю как половину.
Для проверки уровня надо применять правило ко всему нулевому пространству: суммировать P₀(X=x) по всем x, где mid-p(x)≤α. Сравнение одного наблюдённого числа с α не показывает частоту ошибок процедуры. В дискретной модели она способна оказаться больше объявленной α.
Условия и границы вывода
Направление альтернативы и правило крайности нужно выбрать до просмотра таблицы. Двустороннее mid-p требует отдельного определения, поскольку разные порядки крайности дают разные объединения исходов. Простое удвоение выбранного одностороннего выражения не универсально.
Уменьшение p-значения не означает увеличение достоверности данных. Условные предпосылки теста Фишера, независимость единиц и корректные категории остаются прежними.
Полезно сообщать и обычное точное p, и mid-p вместе с причиной выбора процедуры. Если задача требует гарантированного ограничения ошибки при каждом допустимом нулевом параметре, нельзя молча подменять точный хвост mid-p из-за более удобного результата.
Для каждого допустимого x надо пересчитать его собственный верхний хвост и собственную полумассу. Нельзя вычислить mid-p только в наблюдённой крайней точке и затем считать вероятность ошибки равной этому числу. Фактический уровень получается суммированием полных масс всех исходов, попавших в область отклонения.
Разобранная задача
Условие. При N=6,K=3,n=3 условный счёт X имеет массы(1,9,9,1)/20 для x=0,1,2,3. Для наблюдения x=3 найдите верхнее точное p и mid-p. Проверьте уровень правила mid-p≤1/40.
- Для самого большого x=3 строгий верхний хвост пуст; P(X>3)=0.
- Полный верхний хвост равен P(X=3)=1/20; mid-p равен1/40.
- Для x=2 mid-p=1/20+9/40=11/40, остальные значения ещё больше.
- Правило с α=1/40 отклоняет только x=3, но его нулевая вероятность равна1/20, вдвое большеα.
Ответ. Точное p=1/20, mid-p=1/40; фактический уровень указанного mid-p-правила равен1/20.
Проверка. Полный перебор двадцати трёхэлементных выборок из шести меток даёт лишь одну таблицу с тремя успехами. Её реальная частота ошибки не уменьшается от половинного учёта массы в вычисленном mid-p.
Где легко ошибиться. Слово «условный» или «точный» в исходном распределении не делает mid-p автоматически консервативным p-значением.
Проверьте понимание
Вопросы к этой главе
Чем это отличается от рандомизации?
При рандомизации решение на пограничном исходе принимается с указанной вероятностью, реально уменьшая его вклад в уровень. Mid-p только изменяет численную шкалу решения.
Всегда ли mid-p нарушает уровень?
Нет. Пример доказывает возможность нарушения, а не обязательность при каждом α. Поэтому нужны явные свойства выбранной процедуры, а не общее обещание точности.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- SciPy: Fisher exact test
Сверены условная гипергеометрическая модель и определения точного хвоста при фиксированных полях. Mid-p здесь определён явно; его нарушение уровня доказано собственным полным распределением, а не заявлено свойством библиотеки.
Условное отношение шансов: наклон вероятностей соседних таблиц
При фиксированных полях отношение шансов задаёт наклон вероятностей допустимых таблиц. Нулевая модель θ=1 является лишь одной точкой целого условного семейства.
Перед началом: Мультиномиальные частоты и фиксированные поля; Матрицы, условные вероятности и логарифмы.
Определение и постановка
В таблице2×2 зафиксируем N,K,n и обозначим верхнюю левую клетку x. Условная масса пропорциональна C(K,x)C(N−K,n−x)θˣ при θ>0.
Вывод и вычислительный критерий
Нормирующая константа складывает эти веса по всему допустимому носителю. При θ=1 получается обычный гипергеометрический закон. При увеличении θ большие x получают дополнительный относительный вес, даже если поля остаются неизменными.
Соседнее отношение равно θ(K−x)(n−x)/[(x+1)(N−K−n+x+1)]. По сравнению с центральным законом добавился один множитель θ. Это позволяет сравнивать форму распределения, искать моду и контролировать рекуррентный расчёт.
В логарифмическом параметре η=lnθ семейство имеет экспоненциальную форму. Производная логарифма нормировки по η равна EX, а вторая производная равна VarX. Поэтому средний условный счёт не убывает при росте η и строго растёт на невырожденном носителе.
| X | Комбинаторный множитель | Множитель θ^X | Вес | Вероятность |
|---|---|---|---|---|
| 0 | 1 | 1 | 1 | 1/13 |
| 1 | 4 | 2 | 8 | 8/13 |
| 2 | 1 | 4 | 4 | 4/13 |
Условия и границы вывода
Такое условное θ нельзя отождествлять с простой наблюдённой дробью ad/(bc) без оговорок. Оценка параметра условного семейства и безусловная оценка по четырём клеткам могут различаться. На крайних таблицах конечная условная оценка может вообще уходить к границе.
Не следует путать нецентральные гипергеометрические семейства Фишера и Уоллениуса. Они описывают разные механизмы взвешенного отбора, хотя имеют похожие параметры. Здесь объявлена именно масса с множителем θˣ при фиксированных полях.
Если θ неизвестно, нормировка нужна для вероятностей и правдоподобия. Для отношения двух соседних ненормированных весов она сокращается, но это не разрешает забыть её при вычислении среднего или хвоста.
Приθ=1 тот же носитель имеет веса1,4,1 и среднее1. Отношение вероятностей максимального и минимального состава меняется с1 до4 приθ=2. Таким образом, нормировка меняет абсолютные массы, но усиление относительных шансов видно и до её вычисления.
Логарифм нормирующей суммы является удобной проверкой направления эффекта. Его производная по logθ равна EθX, а вторая производная равна VarθX. Поэтому среднее не убывает с θ и строго растёт при наличии хотя бы двух клеточных значений с положительной массой.
Разобранная задача
Условие. Пусть N=4,K=2,n=2 и θ=2. Найдите условные вероятности x=0,1,2 и средний счёт.
- Центральные комбинаторные веса равны1,4,1. Носитель содержит три значения.
- Умножение на θˣ=1,2,4 даёт веса1,8,4; их сумма13.
- Нормированные массы равны1/13,8/13,4/13.
- Среднее равно(0·1+1·8+2·4)/13=16/13, больше центрального среднего1.
Ответ. Закон равен(1,8,4)/13, среднее16/13.
Проверка. Соседние отношения исходных весов равны8 и1/2. Общая формула с θ=2 возвращает те же числа; прямой перебор шести пар с весом2 в степени числа успехов даёт нормировку13.
Где легко ошибиться. Увеличение θ не меняет полей: оно меняет относительные вероятности таблиц внутри того же условного пространства.
Проверьте понимание
Вопросы к этой главе
Почему среднее выросло?
Множитель θˣ при θ>1 сильнее усиливает большие x. Формально положительная дисперсия является производной среднего по логарифму θ.
Обязательно ли наиболее вероятно максимальное x?
Нет. В примере максимум массы остаётся при x=1. Комбинаторное число таблиц конкурирует с нецентральным весом, поэтому увеличение θ не сразу переносит моду к краю.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- SciPy: Fisher noncentral hypergeometric distribution
Прочитана формула массы с множителем отношения шансов, диапазон опоры и условие положительного параметра. Соседние отношения и нормировка трёх таблиц рассчитаны независимо.
Безусловный точный тест при двух независимых биномиальных выборках
Две независимые биномиальные выборки фиксируют свои объёмы, но не общее число успехов. Безусловный точный тест может использовать эту информацию, сохраняя гарантированный уровень при любом общем нулевом параметре. Порядок крайности зададим односторонним p-значением Фишера.
Перед началом: Условные вероятности и математическое ожидание; Частоты и поля таблицы.
Что случайно в эксперименте
Пусть X₁ и X₂ независимы и имеют биномиальные законы с объёмами n₁,n₂. Нулевая гипотеза задаёт p₁=p₂=p, где p неизвестно. При направлении p₁>p₂ для каждой пары успехов можно вычислить условный верхний хвост Фишера, фиксируя дополнительно получившуюся сумму X₁+X₂. Обозначим этот хвост T(x₁,x₂): меньшее значение означает более крайнюю пару.
В безусловном эксперименте пары с разными суммарными успехами тоже возможны. Поэтому область R наблюдения включает все пары, у которых T не больше наблюдённого T. Их вероятности считаются по двум исходным биномиальным законам, без искусственной фиксации общей суммы успехов. Сохраняется именно исходный план с двумя заданными объёмами.
Неизвестная вероятность требует максимизации
Для каждого p∈[0,1] суммируем вероятность R. Безусловное p-значение Бошло равно supremum этой суммы по p. Подставить в неё общую выборочную долю успехов недостаточно: такая подстановка не доказывает ограничение ошибки для остальных допустимых нулевых параметров. Грубая сетка по p также может пропустить максимум.
При фиксированных малых объёмах сумма является полиномом от p. Можно проверить его границы, все внутренние стационарные точки и тем самым получить строгий максимум. В более крупных задачах используют численную оптимизацию с подходящим контролем, но слово «точный» относится к конечной нулевой модели и гарантии уровня, а не к магической безошибочности любого оптимизатора.
Почему уровень контролируется
Для истинного p вероятность области, определяемой наблюдённым T, не превосходит её supremum. Порядок областей вложенный: добавление менее крайней пары только расширяет хвост. Как и у обычного дискретного хвоста, вероятность получить значение не больше α ограничена α при каждом фиксированном p. Непрерывного равномерного распределения p-значений при этом не требуется.
Двустороннее правило нужно объявлять отдельно: удвоение меньшего одностороннего результата и упорядочение таблиц по вероятности могут различаться. Выбор более маленького ответа после просмотра нескольких соглашений уже не является заранее выбранным тестом. Здесь рассматривается только фиксированная верхняя альтернатива и точное включение равенств T≤Tнабл.
Два успеха против нуля
Условие. В двух независимых выборках объёма по два наблюдаются X₁=2,X₂=0. Для альтернативы p₁>p₂ найдите p Бошло, используя верхнее p Фишера как статистику крайности.
- При общей сумме успехов два условная масса пары (2,0) равна C(2,2)C(2,0)/C(4,2)=1/6. Это её верхний хвост Фишера.
- Перебираем все девять пар x₁,x₂ от нуля до двух. Только (2,0) имеет верхнее p Фишера не больше 1/6, поэтому безусловная область состоит из одного исхода.
- При общем p вероятность этой области равна p²(1−p)². Положим v=p(1−p): на [0,1] выполнено 0≤v≤1/4.
- Значит максимум v² равен 1/16 и достигается при p=1/2. Границы p=0,1 дают ноль. Условное число 1/6 и безусловное 1/16 относятся к разным пространствам исходов.
Ответ. Одностороннее безусловное p Бошло равно 1/16, тогда как использованная статистика Фишера равна 1/6.
Проверка. Все девять пар рассмотрены до оптимизации; неравенство p(1−p)≤1/4 даёт глобальный сертификат максимума, без сеточного приближения или подгонки только при одном p.
Где легко ошибиться. Нельзя максимизировать вероятность одной наблюдённой пары, не построив всю область T≤Tнабл. В этом специальном примере область одноточечная; для других наблюдений она обычно содержит несколько пар с разными общими числами успехов.
Проверьте понимание
Вопросы к этой главе
Точный тест всегда консервативен так же, как Фишер?
Условный тест контролирует уровень отдельно при каждом суммарном числе успехов. Безусловный использует более широкую модель и может уменьшить консервативность, но его гарантия требует supremum по общему p.
Можно ли оценить p и забыть максимизацию?
Это даст другую процедуру. Максимум нужен именно для ограничения нулевой вероятности при каждом возможном p; совпадение подставной оценки с максимумом одного примера не является общим правилом.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- SciPy: boschloo_exact, Notes
Прочитана официальная документация: исходная биномиальная постановка, p Фишера как статистика и отдельные двусторонние соглашения. Девять собственных исходов и глобальный максимум полинома проверены аналитически.
Точный интервал отношения шансов через обращение условных хвостов
Точный тест при одном отношении шансов отвечает только на одну гипотезу. Доверительное множество получается обращением целого семейства условных хвостов. На крайней таблице вычислим конечную верхнюю границу, хотя наблюдённое перекрёстное отношение равно нулю.
Перед началом: Условные вероятности и математическое ожидание; Частоты и поля таблицы.
Одни поля, семейство вероятностей
У таблицы два на два зафиксируем поля и обозначим верхнюю левую клетку A. При положительном отношении шансов θ её условные веса равны C(K,a)C(N−K,n−a)θᵃ на допустимом носителе. Нормировка зависит от θ, поэтому при обращении хвоста её нельзя сократить. Это нецентральное гипергеометрическое семейство Фишера.
Для центрального доверительного интервала уровня 1−α нижняя граница обращает верхний хвост Pθ(A≥aнабл)=α/2, верхняя — нижний хвост Pθ(A≤aнабл)=α/2. Эти уравнения берут с полными наблюдёнными массами. На минимальном a нижнюю границу задают нулём, на максимальном a верхнюю — бесконечностью, понимая их как граничные пределы параметра.
Почему поиск корня имеет направление
Для θ₂>θ₁ отношение вероятностей двух законов пропорционально (θ₂/θ₁)ᵃ и возрастает по a. Значит большие θ сдвигают массу к большим клеточным значениям: верхние хвосты возрастают, нижние убывают. Это позволяет искать границы бисекцией на логарифмической шкале и контролировать единственность невырожденного корня.
Дискретность обычно не позволяет получить покрытие ровно 1−α для каждого θ. Обращение двух полных односторонних хвостов даёт не менее этого уровня при принятой условной модели. Это центральный интервал: он не обязан совпадать с обращением любого другого двустороннего порядка крайности, даже если обе процедуры названы точными.
Оценка и неопределённость различаются
Крайняя наблюдённая таблица способна дать нулевое выборочное отношение ad/(bc) и граничную условную оценку. Это не исключает положительных θ: у них крайняя таблица тоже имеет ненулевую вероятность. Поэтому доверительный интервал может включать единицу и иметь заметную конечную верхнюю границу.
Поля остаются фиксированными во всём обращении. Если эксперимент требует другой схемы отбора, интерпретация условного покрытия должна быть обоснована отдельно. Добавление псевдочастот в клетки меняет закон и уже не является этим точным обращением. В численном расчёте следует хранить хвост на границе и допуск корня, особенно при очень большом или малом θ.
Крайняя клетка и конечная верхняя граница
Условие. Все четыре поля таблицы равны двум: N=4,K=2,n=2. Наблюдается A=0. Постройте центральный условный 90%-й интервал для θ, используя по 0,05 в каждом хвосте.
- Допустимы A=0,1,2 с весами 1,4θ,θ². Вероятность минимального значения равна 1/(1+4θ+θ²).
- Нижняя граница равна нулю, поскольку наблюдение минимально. Верхняя определяется уравнением Pθ(A≤0)=1/20.
- Получаем 1+4θ+θ²=20, то есть θ²+4θ−19=0. Из двух корней положителен только θ=√23−2; другой равен −√23−2.
- Подстановка θ=√23−2 возвращает знаменатель 20. При θ=1 вероятность наблюдения равна 1/6>1/20, поэтому единица остаётся внутри интервала, несмотря на нулевое наблюдённое отношение шансов.
Ответ. Центральный 90%-й условный интервал: [0,√23−2], верхняя граница приблизительно 2,7958.
Проверка. Полином имеет производную 2θ+4>0 на θ≥0, поэтому положительный корень единственный. Прямая нормировка трёх масс даёт на нём точно 0,05 для нижнего хвоста.
Где легко ошибиться. Нулевая клетка не означает доказанный нулевой параметр. Если заменить интервал единственным значением ad/(bc)=0, исчезнет неопределённость, которую как раз измеряет обращение условных вероятностей.
Проверьте понимание
Вопросы к этой главе
Почему интервал включает ноль при θ>0?
Ноль служит граничным пределом семейства и принятой записью нижней границы крайнего наблюдения. При ограничении параметра строго положительными числами соответствующее множество записывают с открытым нулевым концом.
Можно ли получить другой точный интервал?
Да, обращение иного двустороннего порядка или рандомизированных хвостов даёт другую процедуру. Нужно сообщать её правило и покрытие, а не считать слово «точный» указанием на единственный возможный интервал.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- R stats: fisher.test, conditional noncentral distribution
Прочитаны Details/Value: нецентральный гипергеометрический закон при фиксированных полях, условная оценка и доверительный интервал odds ratio. Центральное обращение хвостов и корень собственного примера выведены здесь.
Мощность парного плана: случайное число несогласных пар
Большое число пар ещё не означает большой объём информации о направлении изменения: согласные пары не участвуют в условной проверке. Рассчитаем мощность плана до сбора данных, учитывая случайное число несогласных пар.
Перед началом: Условная вероятность; Точная арифметика.
План задаёт два разных параметра
Рассмотрим N независимых одинаково распределённых пар бинарных измерений. Вероятность несогласия обозначим q, а условную вероятность направления 0→1 среди несогласных — p. Тогда число несогласных K имеет биномиальный закон Bin(N,q), и B|K=k имеет закон Bin(k,p). Нулевая гипотеза равенства направлений соответствует p=1/2 при положительном q. Никаких дополнительных предположений о соотношении двух согласных типов для этой условной проверки не требуется.
Критическая область зависит от K
Для каждой возможной величины k заранее строим точный двусторонний критерий. При наблюдаемом b его p-значение равно min(1,2Σᵢ₌₀^min(b,k−b) C(k,i)2^(−k)). Отклонение происходит при значении не больше α. При k=0 полагаем p-значение единицей, то есть не отклоняем. Из-за дискретности некоторые малые k вообще не имеют критических исходов. Поэтому замена случайного K одним средним Nq теряет структуру задачи.
Мощность усредняет условные вероятности
Сначала для каждого k складываем биномиальные вероятности тех b, которые попали в критическую область. Затем взвешиваем результат вероятностью K=k. Итог равен ΣₖC(N,k)qᵏ(1−q)^(N−k)Σ_b∈RₖC(k,b)pᵇ(1−p)^(k−b). Это точная вероятность отклонения при указанной альтернативе, а не вероятность истинности гипотезы. При нуле каждый внутренний уровень не превосходит α, поэтому и их смесь контролируется тем же α. При p=1/2 проверка этого ограничения служит полезным контролем реализации.
Разобранная задача
Условие. Заданы N=6 пар, q=1 и уровень α=1/20. Найдите мощность для p=1, а затем фактический уровень при p=1/2. Сравните с N=5 при остальных тех же условиях.
- При q=1 все пары несогласные, поэтому K=N без случайного разброса. Для шести пар крайние исходы b=0 и b=6 имеют двустороннее p-значение 2/64=1/32.
- Значение 1/32 меньше 1/20. Следующие исходы b=1 и b=5 дают 2(1+6)/64=7/32, поэтому критическая область содержит только два края.
- При p=1 исход b=6 гарантирован: мощность равна единице. Под нулём вероятность двух краёв равна 2/64=1/32.
- Для пяти пар даже крайнее двустороннее значение равно 2/32=1/16, больше 1/20. Критическая область пуста и мощность равна нулю.
Ответ. При шести полностью несогласных парах мощность на p=1 равна 1, фактический уровень — 1/32. При пяти парах на том же уровне мощность равна нулю.
Проверка. Полный перебор 64 равновероятных направленных последовательностей под нулём выделяет ровно две отвергаемые. Это независимо подтверждает 1/32 и показывает дискретный скачок между пятью и шестью парами.
Где легко ошибиться. Не выдавайте мощность при q=1 за мощность любого парного исследования. Если q мало, часто не будет достаточно несогласных пар даже при большом общем N; неопределённость q также не включена в условный расчёт.
Точная мощность парного плана
N=1…80 независимых одинаково распределённых пар. q — вероятность несогласия, p — вероятность направления 0→1 среди несогласных. Для каждого K используется точный двусторонний биномиальный тест с удвоенным меньшим хвостом, отклонение при p-value≤α. При K=0 отказа нет. Параметры q,p от 0 до 1, уровень строго между 0 и 1.
Проверьте понимание
Вопросы к этой главе
Что происходит при q=0?
Все пары согласные, K=0 наверняка. Критерий никогда не отклоняет нуль, поэтому мощность равна нулю при любом указанном p; направление не наблюдается.
Меняется ли мощность при замене p на 1−p?
Для выбранной симметричной двусторонней области нет. Замена меняет b на k−b, а множество отклонения и суммарная вероятность сохраняются.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- NIST Dataplot, McNemar Test
Условный биномиальный закон несогласных пар в тесте Мак-Немара; мощность плана получена суммированием по числу таких пар.
Редкие слои: точный условный тест общей odds вместо CMH-приближения
В редких стратах нормальное приближение общего счёта может плохо описывать хвост. Общий параметр наклоняет конечный закон суммы верхних левых клеток. Его коэффициенты получают свёрткой, а не сложением исходных таблиц; это даёт точный условный тест и доверительную границу.
Перед началом: Нецентральный гипергеометрический закон Фишера; Условный счёт CMH и обращение тестов.
Общий параметр объединяет клетки, но не их поля
Независимые таблицы 2×2 с фиксированными полями в каждой страте и одним общим положительным отношением шансовθ. Разные страты могут иметь разные поля и носители.
В страте j положим Nⱼ общий объём, Kⱼ итог первого столбца, nⱼ итог первой строки, Aⱼ верхнюю левую клетку. Её допустимые значения имеют веса wⱼ(a)θᵃ, где wⱼ(a)=C(Kⱼ,a)C(Nⱼ−Kⱼ,nⱼ−a). Нормирующий полином Zⱼ(θ)=Σ_awⱼ(a)θᵃ зависит и отθ, и от полей этой страты.
Совместный условный закон независимых страт пропорционаленθ^T∏wⱼ(Aⱼ), где T=ΣAⱼ. Поэтому T достаточен для общегоθ в этом условном опыте. Нельзя заменить его одной объединённой таблицей: такая таблица потеряет отдельные ограничения полей и получит другие гипергеометрические веса.
Свёртка сохраняет все способы получить один итог
Коэффициент c_t=Σ_{Σaⱼ=t}∏wⱼ(aⱼ) можно получить последовательным умножением полиномовΣ_awⱼ(a)zᵃ. Тогда Pθ(T=t)=c_tθᵗ/Σ_sc_sθˢ. Важны и свёрнутые коэффициенты, и общая нормировка. Простое сложение отдельных p-values не даёт этого закона: один итог суммы может достигаться несколькими наборами клеток.
Отношение двух таких законов приθ₂>θ₁ пропорционально(θ₂/θ₁)ᵗ и возрастает по t. Поэтому верхний хвост монотонен поθ; его обращение даёт нижнюю доверительную границу. Центральная двусторонняя процедура выделяет каждому хвостуα/2 и обеспечивает условное покрытие не меньше 1−α. На максимальном наблюдённом T верхний конец бесконечен, на минимальном нижний задаётся граничным нулём.
Точный хвост и квадратичный счёт отвечают одной модели разными способами
Приθ=1 математическое ожидание T и его дисперсия складываются из центральных гипергеометрических моментов. Статистика CMH без поправки использует квадрат центрированной суммы, делённый на дисперсию. Но выборχ²-калибровки является дополнительным приближением; сама арифметика моментов не делает хвост точным.
Для небольшого числа редких страт полный закон суммы конечен и позволяет вообще не использовать это приближение. Точность относится к условной модели независимых страт с общимθ. Она не проверяет однородность отношений шансов автоматически и не исправляет зависимость повторных наблюдений. Общий параметр, поля и правило двусторонности нужно объявлять до интерпретации.
Два разных двухточечных слоя
Условие. Первая наблюдённая таблица((1,1),(0,2)) имеет N=4,K=1,n=2; вторая((1,0),(0,3)) имеет N=4,K=1,n=1. Страты независимы, общийθ>0. Найдите верхний точный хвост приθ=1 и центральную 90%-ю границу для наблюдённого T=2.
- В первой страте A∈{0,1} с весами(3,3θ), то есть после сокращения(1,θ). Во второй веса(3,θ). Их разные поля сохранены.
- Произведение(1+θz)(3+θz) даёт коэффициенты(3,4θ,θ²). Значит Pθ(T=2)=θ²/[(1+θ)(3+θ)].
- Приθ=1 наблюдение максимально, поэтому верхний хвост совпадает с этой массой и равен 1/8.
- Нижний край центрального 90%-го интервала решает Pθ(T≥2)=1/20. Получаем 19θ²−4θ−3=0 и положительный кореньθ_L=(2+√61)/19. Верхняя граница бесконечна.
- Для сравнения приθ=1 имеем E T=1/2+1/4=3/4, VarT=1/4+3/16=7/16. CMH-число равно(2−3/4)²/(7/16)=25/7, но точный хвост 1/8 получен из полного закона, а не изχ².
Ответ. Точный направленный хвост 1/8. Центральный 90%-й интервал[(2+√61)/19,∞); единица входит в него.
Проверка. Прямой перебор четырёх пар(A₁,A₂) приθ=1 даёт массы 3/8,1/8,3/8,1/8 для(0,0),(0,1),(1,0),(1,1). Их сумма по T возвращает(3/8,1/2,1/8). Подстановка положительного корня в 19θ²−4θ−3 даёт ноль и подтверждает хвост 1/20.
Где легко ошибиться. Не объединяйте таблицы до условного расчёта. Сумма отдельных верхних клеток сохраняет общий наклонθ, но её базовые коэффициенты должны помнить поля каждой страты.
Проверьте понимание
Вопросы к этой главе
Почему достаточно суммы T, если поля разные?
После фиксации каждого набора полей зависимость совместного закона от общегоθ проходит черезθ^ΣAⱼ и произведение нормировок. Разные поля остаются в коэффициентах свёртки; они не исчезают из модели.
Нужна ли поправка непрерывности точному хвосту?
Нет. Она относится к выбранной приближённой статистике. В конечном хвосте суммируются исходные дискретные массы по заранее выбранному правилу.
Сверить определения и условия
Объяснение и задачи написаны для erudeet. Эти источники используются для проверки понятий и границ модели.
- R stats, mantelhaen.test: exact conditional test and common odds ratio
Поддерживает точный условный тест при фиксированных полях страт и вывод об общем отношении шансов. Здесь полный закон суммы построен своей свёрткой и сопоставлен с квадратичным счётом на редком примере.
Источники и работа с материалом
Объяснение, примеры и вопросы написаны для erudeet. Факты и определения сверены по источникам ниже; это ссылки для самостоятельной проверки.
Продолжить разбираться
Почему число свободных клеток меньше числа всех клеток
Почему фиксированные итоги уменьшают число независимо задаваемых клеток, как получить (r−1)(c−1) и что меняется при структурно невозможных сочетаниях.
Открыть темуЧем отношение шансов отличается от отношения вероятностей
Как отношение шансов получается из четырёх частот, почему оно отличается от отношения долей и как подписи строк, столбцов и нулевые клетки влияют на ответ.
Открыть тему